Generative Adversarial Networks with loss function as supervised

Generative Adversarial Networks with loss function as supervised of well-trained model

1. GAN? 2. DCGAN? 3. SGAN? 4. Project introduction 5. Method to be implemented

참조자료 - Generative Adversarial Networks PDF (Yunjey Choi, Korea University DAVIAN LAB)

GAN? • Generative Adversarial Networks(GAN), 2014

GAN? • Two Networks

GAN? • Adversarial - [adversarial: 두 당사자가 적대 관계에 있는] - GAN 에서 두 가지 모델 Discriminative Model, Generative Model 의 목적이 서로 대립관계에 있다. • Discriminative Model: 해당 이미지가 실제 이미지인지, 생성된 이미지인지 최대한 분별 • Generative Model: 실제 이미지와 분별할 수 없을 정도로 최대한 가깝게 생성 <https : //medium. com/@ devnag/generative-adversarial-networks-gans-in-50 -lines-of-code-pytorche 81 b 79659 e 3 f >

GAN? • Adversarial • Discriminative Model: 해당 이미지가 실제 이미지인지, 생성된 이미지인지 최대한 분별 • Generative Model: 실제 이미지와 분별할 수 없을 정도로 최대한 가깝게 생성 E. G. ) <https : //medium. com/@ devnag/generative-adversarial-networks-gans-in-50 -lines-of-code-pytorche 81 b 79659 e 3 f >

GAN? • Objective Function - GAN의 학습 목표를 위한 수학적 함수 - V(D, G) - Minimax game - D(x): Discriminator 가 이미지 x가 real image 라고 판단한 확률 [0~1] - G(z): Generator 가 z로 생성한 image = - Global minimum of C(G) is • GAN이 동작하는 이유.

GAN? • Loss Function - Discriminative model 의 loss function - Generative model 의 loss function 두 모델 모두 Gradient Descent 를 이용하여, Loss 를 최소화 시키는 방향으로 학습

GAN? • Code - 기존의 Neural Network 구조와 Back-propagation을 사용하여 매우 심플 <https: //github. com/yunjey/pytorch-tutorial>

DCGAN? • Deep Convolutional GAN(DCGAN), 2015 - Discriminative model 과 Generative model 을 CNN으로 구성 - 기존 GAN 보다 더 실제에 가까운 image 를 생성하는 효과가 있었다. <Generator>

DCGAN? • Deep Convolutional GAN(DCGAN), 2015 DCGAN 예제) <https: //github. com/yihui-he/GAN-MNIST >

SGAN? • Semi-Supervised GAN, 2016 - 기존에 random 으로 이미지를 생성했던 것과 달리, label 을 추가하여 class 별로 이미지를 생성 E. G. ) <https: // github. com/golbin/Tensor. Flow-Tutorials> + 5 +

Method to be implemented • Intuition * D, G 를 Convolutional Neural Net 으 로 구성하여 성능 향상 + 5 + W 두 벡터 간 Cross-Entropy Error로 Generator의 loss function에 추가 해 Generator의 학습을 돕는다. (not one-hot encoding )