GAN(Generative Adversarial Network)

출처 : https://blog.naver.com/mmismin/223106343341

GAN은 생성자와 판별자라는 두 개의 신경망으로 구성됩니다. 이 두 신경망은 서로 경쟁하면서 훈련되는 방식으로 작동합니다. 생성자는 잡음 벡터(잠재 변수)를 입력으로 받아 실제 데이터와 유사한 가짜 데이터를 생성하려고 노력하고, 판별자는 생성자가 생성한 가짜 데이터와 실제 데이터를 구분하도록 학습됩니다.

 

GAN의 핵심 개념은 생성자와 판별자 간의 '적대적' 관계입니다. 생성자는 판별자를 속이기 위해 더 실제 데이터와 유사한 가짜 데이터를 생성하려고 노력합니다. 한편, 판별자는 생성자가 생성한 가짜 데이터와 실제 데이터를 구분하는 능력을 향상시키기 위해 학습됩니다. 이러한 적대적인 훈련 과정을 통해 생성자와 판별자는 서로를 발전시키면서 안정적인 균형 상태에 도달하게 됩니다.

 

GAN의 구조

생성자(Generator)

생성자는 주로 딥러닝 신경망으로 구성되며, 입력으로는 잡음 벡터(잠재 변수)를 받습니다. 이 잡으 벡터는 일련의 난수로 구성되며, 생성자의 목표는 이 잡음 벡터를 입력으로 받아 실제 데이터와 비슷한 가짜 데이터를 생성하는 것입니다. 생성자는 주로 합성곱 신경망(Convolutional Neural Network, CNN) 구조를 사용하여 이미지 생성 작업에 적합하도록 설계됩니다. 생성자는 초기에는 무작위로 가중치로 초기화 되며, 훈련을 통해 실제 데이터 분포를 학습하여 더 나은 가짜 데이터를 생성하도록 업데이트됩니다.

 

판별자(Discriminator)

판별자는 주로 이진 분류 문제를 다루는 딥러닝 신경망으로 구성됩니다. 입력으로는 실제 데이터나 생성자가 생성한 가짜 데이터를 받습니다. 판별자의 목표는 주어진 데이터가 시제 데이터인지 가짜 데이터인지를 판별하는 것입니다. 판별자는 실제 데이터에 대해서는 1에 가까운 출력을 내고, 가짜 데이터에 대해서는 0에 가까운 출력을 내도록 학습됩니다. 생성자와 마찬가지로 판별자도 초기에는 무작위한 가중치롤 초기화되며, 훈련을 통해 실제 데이터와 가짜 데이터를 잘 구분할 수 있도록 업데이트됩니다.

 

GAN 알고리즘

데이터준비

실제 데이터를 준비하고, 생성자와 판별자가 사용할 입력 데이터의 형식을 결정합니다. 예를 들어, 이미지생성을 위한 GAN의 결우, 실제 이미지 데이터를 사용하고, 생성자와 판별자에게는 이미지의 픽셀 겂이 입력으로 주어집니다.

 

생성자와 판별자의 초기화

생성자와 판별자는 신경망 모델로 구성되며, 초기에는 무작위로 가중치를 초기화합니다.

 

훈련과정

 a. 생성자 훈련

생성자는 잡음 벡터를 입력으로 받아 가짜 데이터를 생성합니다.

생성자가 생성한 가짜 데이터를 판별자에게 전달하고, 판별자가 이를 실제 데이터와 구분하도록 학습합니다.

생성자는 판별자를 속이기 위해 가짜 데이터가 실제 데이터처럼 보이도록 학습합니다. 따라서 생성자의 목표는 판별자가 가짜 데이터를 실제 데이터로 판별하도록 만드는 것입니다.

 

 b. 판별자 훈련

판별자는 실제 데이터와 생성자가 생성한 가짜 데이터를 입력으로 받아 이를 판별합니다.

판별자는 실제 데이터를 실제로, 가짜 데이터를 가짜로 올바르게 판별하도록 학습합니다. 따라서 판별자의 목표는 실제와 가짜 데이터를 정확히 구분하는 것입니다.

 

손실 함수 및 최적화

GAN의 학습은 손실 함수를 사용하여 생성자와 판별자를 훈련합니다. 생성자와 판별자의 손실 함수는 각각의 목표에 맞게 정의됩니다. 보통은 교차 엔트로피 손실(Cross Entropy Loss)이 사용됩니다. 생성자와 판별자의 가중치는 역전파 알고리즘을 사용하여 최적화합니다.

 

훈련 반복

생성자와 판별자의 훈련을 번갈아가며 반복합니다.  각 반복마다 생성자는 더 실제 같은 가짜 데이터를 생성하려고 노력하고, 판별자는 실제와 가짜 데이터를 자 구분하도록 학습합니다. 이러한 반복 과정을 통해 생성자와 판별자는 서로를 발전시키고 균형 상태에 도달하게 됩니다.

 

GAN 알고리즘은 생성자와 판별자의 경쟁을 통해 실제 데이터의 특성을 모사하는 가짜 데이터를 생성할 수 있는 능력을 개발하는 것을 목표로 합니다. 이러한 특성은 다양한 응용 분야에서 활용되며, 이미지 생성, 음성합성, 데이터 증강 등 다양한 생성 모델에 적용됩니다.