Deep Learning through deep learning

딥러닝의 가장 근간이 되는 인공신경망 ANN 에 대해 다루고자 한다. ANN 의 경우, Perceptron 이라는 것에 대해 시각적으로 이해하고, Input 이 Output으로 나가는 과정을 적어보고, 직접 구현해봄으로써 전체적인 틀을 이해할 수 있다고 생각한다. ANN 은 이후의 모든 딥러닝 모델의 근간이 되므로 그 구조나 틀에 대해 어느정도 감을 잡고 들어간다면, 이후 오픈소스 활용에 있어서도 대강적인 구조 변경이 가능할것이라 생각한다. 물론 대중적으로 널린 세부적인 이론을 제외한 필수 이론만 보고 넘어가며 구현만 해볼 예정이니 코드를 참고하여 활용하길 바란다. Theory 딥러닝이라는 용어 이전에 우리는 Perceptron이라는 용어를 알고 들어가야 한다. Single Layer Perceptron..

GAN에 대해 실습을 통해 어느정도 시각적으로 이해가 되었으리라 생각한다. 제목을 보고 갑작스럽게 넘어가는것에 대해 당황 할 수도 있으리라 생각하지만, DCGAN 이후 등장하는 CGAN > Pix2Pix 모델같은 경우에는 단순 조건 추가이거나, 한 쌍의 이미지가 필요하듯이 제한적인 요소가 많다. 자체적으로 데이터를 만들어 확실한 결과를 뽑기 위해선 이 두 단계의 모델을 건너뛰고자 한다. (물론 이 글을 읽는 분들은 이미 두 모델에 대한 이론적 지식이 충분할 것이라고 생각한다.) CycleGAN에서는 초기 GAN을 소개할 때 언급했던 이미지 복원이라는 목표를 가능하게 한다. 서론이 길었으니 일단 이론부터 살펴보자. Theory DCGAN 이후의 모델에 대한 세 줄 요약 들어가겠다. CGAN - 라벨 정보를..

GAN 에 대한 기본적인 훈련을 마쳤으니 이제는 좀 더 안정적이고 고품질의 이미지를 생성해보자. 사실상 이전의 모델은 돌려봤다는 느낌뿐이지 이게 이미지인지 그저 픽셀인지 긴가민가하다. 이 글의 전체적인 내용은 #2 이전 글의 GAN 모델의 이미지 품질 및 안정성 향상을 위한 Convolution Neural Network (CNN) 모델 구조 변경이다. 이전 코드와 데이터셋을 그대로 사용하면서 몇 가지 수정할 부분만 추가할 예정이다. Coding DCGAN CelebA 얼굴이미지 데이터 (이미지 데이터 형식)를 활용한 DCGAN 더보기 1. 기존의 코드에서 몇 가지 수정을 거치면 된다. class Discriminator(nn.Module): def __init__(self): super().__init..

본격적으로 GAN에 대해 알아가보자. 해당 글은 이미 널리다시피 널린 GAN에 대한 이론정보를 이미 어느정도 파악한 후 본격적으로 구현하고자 하는 의지를 가진 사람들을 위해 작성되었다. GAN 의 이론을 빠르게 훑자. 해당 글의 목적은 활용에 있지 구현에 있지 않다는 것을 명시하고 간다. Theory GAN은 당연하게도 기존의 인공신경망(ANN)의 구조에서 시작된다. Multi Layer Perceptron 을 예시로 들자면, MLP에서는 이미지를 입력으로 넣어 클래스에 대한 정보를 출력해냈다면, GAN에서는 출력된 정보를 입력으로 넣어 이미지를 뽑아내는 백쿼리 이론을 따른다. GAN 에서는 적대적 훈련이라고 부르는 Discriminator, Generator 두 신경망이 존재하는데, 쉽게 말해 G에서는..