[Pytorch] 쉽고 빠르게 배우는 GAN - goormEDU

[Pytorch] 쉽고 빠르게 배우는 GAN

GAN에 대한 정확한 개념과 학습원리 뿐만 아니라 GAN의 단점과 발전 방향까지 상세히 짚어봅시다

Lecture Introduction
Difficulty
Normal
Category
Programming - AI
Tag
pytorch, 파이토치, 인공지능, AI, GAN, 딥러닝, 딥러닝모델
Target Audience
- 딥러닝, 진짜 제대로 공부하고 싶으신 분
- GAN에 대해 처음 배우시는 분
- CNN, RNN을 이제 막 공부하신 분
- 딥러닝 기초 지식과 Python 프로그래밍 지식을 보유하신 분
- [Pytorch] 쉽고 빠르게 배우는 딥러닝 강좌를 수강하신 분




인공지능의 세계를 탐험하고 계신 여러분은
딥러닝의 한 패러다임을 차지하는 GAN에 대해
알고 계신가요?





새로운 데이터를 생성하는 GAN


요즘의 인공지능은 대부분 딥러닝 모델을 활용하는데
일반적인 모델들은 데이터를 분류하고 예측할 수만
있다는 한계를 갖고 있었습니다

하지만 GAN의 등장으로 인공지능은 어마어마한
발전을 이루게 되었고
, GAN은 알파고의 기본 원리인
강화학습과 함께 인공지능에서 뺄래야 뺄 수 없는
분야로 자리잡았습니다


위 그림은 2019년을 기준으로 가장 성능 좋은 GAN이
만들어낸, 이 세상에 존재하지 않는 가짜 이미지입니다

현재는 이보다 더 발전된 모델이 나왔겠죠?



이런 내용을 배울 겁니다

첫 번째, Vanilla GAN

GAN의 개념을 단순히 설명하는 것에서 그치지 않고
제대로 된 학습원리를 설명드리려 합니다

또한 수학적인 증명도 함께 진행하며,
처음
GAN이 나왔을 때 지녔던 단점과 발전 방향까지
자세히 살펴보려 합니다


 

두 번째, 점차 발전되는 GAN

Vanilla GAN이 나온 이후 GAN은 굉장히 빠른 속도로
발전했는데, 그 첫 번째로 등장한 것이 CNN에 GAN
원리를 
접목시킨 DCGAN입니다

또한, 약간의 loss만 수정한 LSGAN 등장 이후로 좀 더
다양한 GAN이 나오기 시작했죠

아래 사진은 DCGAN과 LSGAN의 성능 비교 사진입니다



세 번째, CycleGAN

데이터 생성을 넘어 GAN의 생성 원리를 이용하여
다양한 분야가 발전되기 시작했습니다

그 중 대표적인 모델이 Style transfer의 기본 모델인
CycleGAN인데, CycleGAN은 사진을 그림처럼 바꾸거나
낮과 밤, 또는 계절도 바꿔버릴 수 있습니다

즉, CycleGAN는 이미지의 두 도메인을 서로 바꾸,
이는 Style transfer를 활용하는 GAN의
Base line model이 되었습니다



이처럼 CycleGAN은 여전히 다양한 네트워크를 통해
응용 및 발전되고 있습니다



마지막, CAN

데이터를 생성하는 것은 결국 학습 데이터 안에서
이루어지기 때문에 결국 '모방'이라고 할 수 있으며,
무언가 새로운 것을 창조한다고 말하기 어렵습니다

예술과는 거리가 먼 것은 이런 이유 때문이죠

그럼에도 예술에 GAN 모델을 적용한 모델이 있습니다
CAN 모델은 GAN 학습원리를 조금 변형하여 예술품을
생성하는데, 실제 사람을 대상으로 설문조사를 진행했을 때
CAN 모델로 생성한 예술품이 실존하는 예술품 점수와
비슷한 점수를 얻었다고 합니다




GAN은 여전히 발전하고 있습니다



GAN은 지금도 발전하고 있습니다

머신러닝을 위한 정형 데이터를 생성하는 Radial GAN,
학습데이터가 적은 상황에서 다양한 고품질 이미지를 
어떻게 생성할 수 있을까에 대한 모델인 DeliGAN,
여러 개의 GAN 모델을 조합한 MGAN,
저화질을 고화질로 바꿔주는 SRGAN 등
다양한 GAN의 이야기를 만나보세요






이런게 궁금하시죠?👀


딥러닝 지식이 많이 필요한가요?

GAN에 대해서 공부하시고자 한다면 AI와
딥러닝에 대한 기초 지식을 보유하셔야 합니다

본 강좌는 [Pytorch] 쉽고 빠르게 배우는 딥러닝
후속 강좌이며, 딥러닝 기본을 알고 있다는
전제 하에 진행하니 참고해주세요



실습 자료는 따로 없나요?

여러분의 학습 효과를 높이기 위해
실습 자료 링크를 따로 첨부합니다

https://github.com/LeeGyeongTak/torchgan

강의 내에서도 확인하실 수 있습니다









크롤링과 텍스트마이닝이 취미👍


코코

학부에서 통계학을 전공한 뒤 현재 산업공학
대학원에서 인공지능을 공부하는 박사과정생입니다

주 연구 분야는 데이터 사이언스, 강화학습, 딥러닝이며,
크롤링과 텍스트마이닝을 취미로 하고 있습니다:)

크롤링을 이용해 인기 커뮤니티 글을 수집해 보여주는
'마롱'이라는 앱을 개발했고, 전국 맛집 리스트와 블로그를
수집해서 맛집 추천 앱도 만들었죠 (시원하게 말아먹...)


수상 이력

2018 제6회 빅콘테스트 엔씨소프트상
- 게임유저이탈 알고리즘 개발

2017 제5회 빅콘테스트 한국정보통신진흥협회장상
- 대출 연체자 예측 알고리즘 개발

2016 날씨 빅데이터 콘테스트 기상산업진흥원장상

2016 제4회 빅콘테스트 본선진출
- 보험사기 예측 알고리즘 개발

2015 제3회 빅콘테스트 미래창조과학부 장관상
- 야구 경기 예측 알고리즘 개발


제 블로그에 놀러오세요!


 

all Icon made by Freepik from www.flaticon.com

Preview
Expand All
  • 02
    Section0. Generative Adversarial Network의 기본 개념과 학습 원리
  • Generative Adversarial Network란
    GAN의 개념과 학습 원리
    GAN의 minimax problem 증명
Curriculum
Expand All
  • 01
    참고하세요!
  • 강의자료 및 실습 자료 링크
  • 02
    Section0. Generative Adversarial Network의 기본 개념과 학습 원리
  • Generative Adversarial Network란
    GAN의 개념과 학습 원리
    GAN의 minimax problem 증명
    GAN의 학습과정
    GAN의 문제점과 발전 방향
  • 03
    Section1. GAN의 성능 향상과 응용 분야
  • Deep Convolutional GAN과 Conditional GAN
    Least Square GAN
    데이터를 생성하는 것을 넘어 도메인을 Transfer 시키는 CycleGAN
    예술품을 생성하는 Creative Adversarial Network
    실습: DCGAN/LSGAN
    실습: Conditional GAN
  • 04
    Section2. GAN이 활용되는 다양한 분야
  • 머신러닝을 위한 데이터를 생성하는 RadialGAN
    적은 데이터로 다양한 데이터를 생성할 수 있는 DeliGAN과 GAN의 응용 분야
Instructor Introduction
user
코코Teacher

Lecture Reviews
  • No reviews have been written.

49,500

44,550
(10%)


Average Rating
0.0
Difficulty
Normal
Lecture Period
Unlimited