적대적 손실
실제 적대적 최소-최대 학습을 알아봅니다
적대적 손실은(는) CoddyKit의 무료 Deep Learning Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.
Loss Drives Both Players
Every GAN player learns from a loss that scores how well it did. The two losses pull in opposite directions, which is what makes training adversarial.
The Min-Max Game
GAN training is a min-max game: the discriminator tries to maximize its score while the generator tries to minimize it. Neither fully wins.
Binary Cross-Entropy
Most GANs measure each prediction with binary cross-entropy, the standard loss for a real-versus-fake yes or no decision.
criterion = nn.BCELoss()Discriminator on Real Data
First the discriminator sees real images and should call them real. Its real loss pushes those outputs toward the label 1.
out_real = D(real)
loss_real = criterion(out_real, ones)Discriminator on Fakes
Next it judges generated images and should call them fake. The fake loss pushes those outputs toward the label 0.
out_fake = D(fake.detach())
loss_fake = criterion(out_fake, zeros)Why detach the Fakes
When updating the discriminator you call detach on the fakes so gradients do not flow back into the generator on this step.
fake.detach()The Generator's Loss
The generator wants its fakes labeled real, so its loss compares the discriminator's verdict on fakes against the label 1.
out = D(fake)
loss_g = criterion(out, ones)The Non-Saturating Trick
Telling the generator to maximize real-ness, instead of just minimizing fake-ness, gives stronger early gradients. This is the non-saturating loss.
Two Updates, One Round
Each training round does two updates: first the discriminator on its combined loss, then the generator on its own. Order and timing matter.
A Moving Target
Because both networks change every step, each one chases a moving target. This is why GAN losses bounce around instead of falling smoothly.
Losses Are Not Accuracy
In a GAN a falling loss does not mean better images. You judge quality by looking at samples, not by the loss number alone. 👀
Quick Check
One detail trips up many beginners.
Recap: Adversarial Loss
You saw the min-max game: cross-entropy guides both players, fakes are detached for the judge, and samples, not loss, reveal real progress. 🎯
자주 묻는 질문
“적대적 손실” 강의는 무료인가요?
네 — “적대적 손실” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
“적대적 손실”에서 뭘 배우나요?
실제 적대적 최소-최대 학습을 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.
“적대적 손실” 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 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Deep Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.