공부하는 개발자 핑구 🐧 공부하는 개발자 핑구 🐧

# GAN (generatvie adversarial networks) 한국어로는 생성적 적대적 신경망이라고 부른다. 2개의 이상의 신경망을 서로에게 향하게 하고, 서로에게 대항하듯이 훈련하게 함으로써 결과적으로 생성모델을 산출해내는 방식이다. # GAN 모델의 효용가치 * 일반적인 방식으로 학습하기 힘든 생성모델까지 제작해낼 수 있다. * 데이터가 한정된 상황에서 일반화(generalization)가 가능하다. * 모조데이터셋(simulated data)를 늘릴 수 있다. 극단적인 예시로는 다른 아키텍처 유형들을 동원해 딥러닝 문제를 해결할 때 필요한 데이터의 10% 만 있어도 될때가 있다. 또한, 풍부한 모조데이터 확보로 특정 업무에 대해 기여할 수 있다. 따라서, 적은 데이터로도 이런저런 일들을 할..

# Before CNN CNN 이전의 이미지 인식은 2차원(RGB까지 합하면 3차원)을 1차원 배열(flatten)로 바꾼뒤, MLP(Multi-Layer Perceptron) 신경망으로 Fully Connected 하게 학습시키는 방법이었음 이미지의 형상은 고려하지 않고, 단순히 flatten된 raw data를 직접 처리하기 때문에 많은 양의 학습데이터가 필요했고, 학습시간 또한 길었음 또한 이미지가 회전하거나 움직이면(이미지 증식시) 완전히 다른 데이터로 인식할 수 밖에 없었음 (단순히 flatten된 1차원 배열이었기 때문) -> MLP가 특징추출과 학습에 있어 비효율적이었음 이미지의 공간정보의 손실을 막을 방법을 찾아낸 모델이 바로 CNN # CNN의 개념 CNN의 가장 핵심적인 개념은 바로 이..

GAN 을 학습시키다보면 생성자(Generator)가 다양한 이미지를 만들어내지 못하고, 비슷한 이미지만 계속 생성하는 경우가 있는데, 이를 Mode Collapse라 칭한다. Mode는 최빈값, 가장 빈도가 높은 값을 말하며, Mode Collapse 를 MNIST 숫자데이터(0~9)에서 예로 들어 설명하자면, mode는 총 0~9, 10개이고 랜덤노이즈(z)를 입력으로 받는 생성자(G)가 판별자(D)를 속이기 위해 노이즈를 변환하는데, 변환된 데이터의 분포(라벨)이 특정 숫자(mode)에 치우칠때, Mode Collapse가 발생했다고 말합니다. 즉, Generator가 Discriminator를 속이기 위해 한 숫자에 가까운 벡터만 생성한다는 말입니다. Generator가 0~9 숫자 중, 랜덤노이..

# 학습된 모델을 저장한다는 말은 모델의 '아키텍쳐'와 모델의 '가중치를 저장한다는 말 # keras에서 save()함수로 모델 아키텍처와 가중치를 저장가능 (h5파일 형식으로) # 모델저장하기 from keras.models import load_model model.save('my_model.h5') # 저장된 모델 불러오기 from keras.models import load_model model = load_model('my_model.h5') # 모델 아키텍쳐 보기 # 1번방법 from keras.models import load_model print(model.summary()) # 2번방법 (가시성 좋게 시각화) from IPython.display import SVG from keras.u..