[PyTorch] 쉽고 빠르게 배우는 GAN

딥러닝의 한 패러다임을 차지하는 
GAN에 대하여 배워보세요! 🙆🏻‍♂

인프런에서 강의한 내용을 정리하여 '파이썬 딥러닝 파이토치' 라는 책으로 출간하였습니다.
많은 관심 부탁드립니다 : ) 
(2020.10.06 기준 인프런 강의 업데이트 되었습니다. 지속적인 강의 업데이트 하도록 하겠습니다)

---

Pytorch로 쉽고 빠르게 배우는 GAN

강의 소개

요즘에 이야기하는 인공지능은 대부분 딥러닝 모델을 활용합니다. 일반적인 머신러닝이나 딥러닝 모델은 분류와 회귀가 끝이였습니다. 그런데 GAN의 등장은 인공지능의 발전은 한 단계 앞당겼다고 해도 과언이 아닐 정도로 큰 패러다임을 가져왔습니다.

데이터를 분류하고 예측하는 것을 넘어서 생성을 한다는 것은 그때(4-5년전) 당시에만 해도 상상도 할 수 없었습니다. GAN의 등장은, 강화학습(알파고의 기본 원리)과 함께 인공지능에서 뺄래야 뺄 수 없는 분야가 되었습니다.

아래 그림은 1년전 기준 가장 성능이 좋은 GAN이 만들어낸 이 세상에 실제로 존재하지 않는 가짜 이미지입니다. 현재에는 이보다 발전된 모델이 나왔습니다.
이 강의는 GAN에 대한 정확한 개념과 학습 원리에 대해 차근차근 설명하고, GAN의 단점과 발전되는 방향에 대해서도 이야기합니다.

 

 

🌈 Vanilla GAN

GAN의 개념과 학습 원리에 대해서 다룹니다.
단순히 개념에 대해서만 설명하는 것이 아닌, 제대로 된 학습원리를 설명해 드리며 수학적인 증명도 함께 합니다.
학습과정과 방법에 대해 설명하고 처음 GAN이 나왔을 때에 지녔던 단점 그리고 GAN의 발전 방향에 대해서 이야기합니다.

 

 

🌈 DCGAN/LSGAN/CGAN (점차 발전되는 GAN)

Vanilla GAN이 나온 이후로, GAN은 엄청나게 빠르게 발전해오고 있습니다.
처음에는 CNN에 GAN의 원리를 접목시킨 DCGAN이 나왔고, 약간의 loss만 수정한 LSGAN이 등장하며 다양한 GAN들이 나오고 있습니다.
아래 사진은 DCGAN과 LSGAN의 성능 비교 사진입니다.

 

 

 

🌈 CycleGAN (Style transfer의 기본 모델이 된 GAN)

[데이터를 생성하는 것을 넘어서] GAN의 생성원리를 이용하여 다양한 분야로 발전하기 시작하였습니다. 그중 대표적인 모델이 Style transfer 모델인 CycleGAN입니다. 그림을 사진처럼 혹은 사진을 그림처럼 바꾸기도 하고, 낮과 밤을 바꾸기도 하고, 계절을 바꿔버리기도 합니다.
이렇게 이미지의 두 도메인을 서로 바꿔버리는 GAN모델이 CycleGAN입니다. 이 CycleGAN은 Style transfer를 활용하는 GAN의 기본 base line model이 되었습니다.

 

 

아래 그림처럼 CycleGAN이 응용되고 발전되어 오고 있습니다. 이 모델 외에도 다양한 네트워크로 발전해 오고 있습니다.

 

🌈 CAN (예술품을 생성해내는 GAN모델)

데이터를 생성하는 것은 결국 학습데이터 내에서 생성을 하기 때문에 무언가 새로운 걸 창조하지는 않습니다. 그래서 예술과는 거리가 먼 것이죠. 학습 데이터 내에서 생성하게 되면 결국 그건 '모방'일 뿐이기 때문이죠.
CAN모델은 GAN의 학습원리를 조금 바꿔서 예술품을 생성합니다. 인간에게 설문조사를 해서 실제 예술품과 비슷한 점수를 얻었다고 합니다.

 

 

 

🌈 GAN이 응용/발전되는 다양한 분야

그외에 GAN은 정말 다양한 분야로 발전해오고 있습니다.
이미지가 아닌 머신러닝을 위한 정형 데이터를 생성하기 위한 Radial GAN, 학습데이터가 적은 상황에서 어떻게 하면 다양하고 고품질의 이미지를 생성해낼 수 있을까에 대한 모델인 DeliGAN, 여러개의 GAN의 모델을 조합한 MGAN, 저화질을 고화질로 바꿔주는 SRGAN 등 다양한 GAN에 대해서 간략하게 소개합니다.

 

실습자료링크 : https://github.com/LeeGyeongTak/torchgan

 

연관 강의 보러가기