Learn AI with Python · 강의

GAN: 생성자와 판별자

최소-최대 게임 이론, GAN 학습 불안정성, 모드 붕괴, DCGAN 구현을 다룹니다.

GAN: 생성자와 판별자은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 3번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

GAN이란 무엇인가요

생성적 적대 신경망은 두 신경망이 서로 경쟁하는 구조입니다. Generator는 가짜 데이터를 만들고, Discriminator는 데이터가 실제인지 가짜인지 판단합니다. 두 네트워크가 경쟁하면서 생성자는 설득력 있는 샘플을 만드는 법을 학습합니다.

적대적 게임

위조자(생성자)와 탐정(판별자)을 생각해 보세요. 위조자는 탐정을 속이기 위해 가짜를 개선하고, 탐정은 가짜를 더 잘 식별하도록 감각을 날카롭게 다듬습니다. 이러한 경쟁이 두 네트워크를 모두 발전시켜 결국 가짜가 실제처럼 보이게 합니다.

Generator

생성자는 무작위 잡음 벡터를 가짜 이미지로 매핑합니다. 의미 없는 무작위 숫자를 구조적이고 현실적으로 보이는 데이터로 바꾸는 법을 학습합니다.

class Generator(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(100, 256), nn.ReLU(),
            nn.Linear(256, 784), nn.Tanh()
        )
    def forward(self, z):
        return self.net(z)

잡음 벡터

입력 z는 표준 정규 분포에서 샘플링됩니다. 서로 다른 잡음 벡터는 서로 다른 이미지를 생성하므로, 잡음은 생성의 “씨앗”입니다. 잡음의 차원(여기서는 100)이 잠재 크기입니다.

z = torch.randn(batch_size, 100)
fake_images = generator(z)

Discriminator

판별자는 이미지를 받아 그것이 실제일 가능성을 나타내는 하나의 확률을 출력합니다. Sigmoid는 [0,1] 범위의 값을 제공하며, 1은 실제를, 0은 가짜를 의미합니다.

class Discriminator(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(784, 256), nn.LeakyReLU(0.2),
            nn.Linear(256, 1), nn.Sigmoid()
        )

Discriminator 학습

레이블 1이 붙은 실제 이미지와 레이블 0이 붙은 가짜 이미지 배치로 D를 학습합니다. 이진 교차 엔트로피를 사용해 실제 점수는 높이고 가짜 점수는 낮추는 법을 학습합니다.

d_real = criterion(D(real), ones)
d_fake = criterion(D(fake.detach()), zeros)
d_loss = d_real + d_fake
d_loss.backward()

가짜 데이터에 detach()를 사용하는 이유

D를 학습할 때는 fake.detach()를 사용해 그래디언트가 생성자로 흐르지 않도록 합니다. 이 단계에서는 판별자만 업데이트하고, 생성자는 별도의 단계에서 차례를 진행합니다.

Generator 학습

이제 G를 학습해 D를 속입니다. 가짜 데이터를 D에 통과시키고 D가 실제(레이블 1)라고 출력하면 생성자에 보상을 줍니다. 생성자는 D가 자신의 가짜를 믿도록 만들어 성능을 높입니다.

g_loss = criterion(D(fake), ones)  # want D to say "real"
g_loss.backward()
g_optimizer.step()

교대 학습

각 반복에서는 먼저 D를 업데이트한 다음 G를 업데이트하는 방식으로 번갈아 진행합니다. 두 네트워크의 균형을 대략적으로 유지하는 것이 중요합니다. D가 너무 강하면 G가 유용한 그래디언트를 받지 못하고, 너무 약하면 G에 도전 과제가 없어집니다.

# per step
# 1) update Discriminator
# 2) update Generator

모드 붕괴

대표적인 실패 사례는 모드 붕괴입니다. 생성자가 D를 속이는 한두 가지 출력만 찾아 그것만 계속 만들고 데이터의 다양성을 무시하는 현상입니다. 증상은 생성된 모든 샘플이 거의 똑같아 보이는 것입니다.

학습 불안정성

GAN은 악명 높을 정도로 불안정합니다. 손실이 진동하고, 한 네트워크가 다른 네트워크를 압도할 수 있으며, 수렴도 불안정합니다. LeakyReLU, 신중한 학습률 설정, 레이블 평활화와 같은 기법이 학습을 안정화하는 데 도움이 됩니다.

빠른 확인

GAN에 대한 이해도를 확인해 보세요.

요약: GAN

적대적 구조를 학습했습니다. 생성자는 잡음 벡터를 가짜 데이터로 바꾸고, 판별자는 실제일 확률과 가짜일 확률을 출력하며, 두 네트워크는 D를 먼저 업데이트한 뒤 G를 업데이트하는 방식으로 교대로 학습합니다. 또한 모드 붕괴와 GAN을 학습하기 어렵게 만드는 전반적인 불안정성도 살펴보았습니다.

자주 묻는 질문

“GAN: 생성자와 판별자” 강의는 무료인가요?

네 — “GAN: 생성자와 판별자” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“GAN: 생성자와 판별자”에서 뭘 배우나요?

최소-최대 게임 이론, GAN 학습 불안정성, 모드 붕괴, DCGAN 구현을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 3번째 강의입니다.

“GAN: 생성자와 판별자” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기