Day_13. GAN

분별모델 vs 생성모델

생성모델(Genetative	벡터 X에 대한 확률분포를 추정 레이블 정보가 없는 비지도 학습 레이블 정보가 있으면 활용해도 되고 무시해도된다
분별모델(Discriminative	MLP , DMLP , CNN 특정 벡터 X의 확률 분포를 알아낼 필요없음 X는 주어진 것, 변수가 아닌 일종의 상수 X가 주어지고 Y를 추정한다

생성 모델과 분별 모델의 추정치와 예측

X1	0	0	0	0	0	1	1	1	1	1
X2	0	0	1	1	1	0	1	1	1	1

분별 모델이 추정하는 확률 분포 정리

실생활에서 사용하는 방식
=자연계에서 화률을 산정시 발생 분포를 확인 가능하다
=이때 명시적 방법으로 추정하는 것이 아닌 묵시적으로 추정한다


학습과 모델의 비교

Supervised Learning	f에 x를 넣으면 y가 나온다	함수 f를 찾기
Unsupervised Learning	Y는 없다 함수 f에 x를 넣고 추이를 봐서 z를 뽑는다	라벨이 없음
Generative model	X가 없다, 함수f는 있으며 출력 y가 있음	적당한 x를 생성

분석의 특징
=많은 분야에서 x가 월등히 많음(고차원)
=variable selection 을 통해 차원을 축소시킨다
=ex)6개의 변수가 있을 때 3개씩 묶어서 평균을 산정해 2개의 변수로 줄인다


PCA분석의 특징
=Y를 고려하지 않는다,
=PCA는 일종의 Unsupervised Learning 이다



Encoding VS Decoding

=변수 X에서 Y를 생성—Endocing
=결과 Y에서 x를 생성 – Decoding


Fake VS Real

=위폐를 찍어내는 기계와 비슷하다고 보면 된다
=Fake set의 분포가 real 과 흡사하게 만드는것이다



GAN의 목표 & 원리
=Discriminator(판독기)가 구별하지 못하는 수준까지 지속적으로 학습하게 하는것

최초 GAN 모델의 구조

=생성 G를 DMLP로 구현했음

=는 난수발생기로 만든 벡터 Z를 입력 받아서 가짜 이미지,영상을 생성

=는 판독기로 생성된 결과를 가짜, 진짜로 판독해준다

생성함수 G의 특징

=생성된 Fake image는 Discriminator가 구별하지 못하게 하기 위해 최대한 작은
를 요구