딥체인

WGAN WGAN(워서스테인 거리 생성적 적대 신경망, Wasserstein Generative Adversarial Network)은 GAN의 한 변형으로서, GAN의 안정성과 생성된 이미지의 품질을 향상시키기 위해 도입된 개념입니다. WGAN은 기존 GAN의 손실 함수를 Wasserstein 거리를 기반으로 재정의하여, 모드 붕괴와 학습 불안정성 문제를 완화시키고 안정적인 학습을 가능하게 합니다. WGAN이 도입하는 주요 개념은 다음과 같습니다: Wasserstein 거리: Wasserstein 거리(또는 Earth-Mover's Distance)는 두 분포 사이의 거리를 계산하는 방법으로, 기존 GAN에서 사용되던 JS Divergence나 KL Divergence보다 더 안정적이고 좋은 거리 측정..

GAN GAN(Generative Adversarial Network)은 2014년 Ian Goodfellow와 그의 동료들이 제안한 딥러닝 모델로, 생성 모델(Generative Model)의 한 종류입니다. GAN은 가짜 데이터를 생성하는 생성자(Generator)와 진짜와 가짜 데이터를 구별하는 판별자(Discriminator)라는 두 개의 신경망으로 구성됩니다. 이 두 신경망은 서로 경쟁하면서 훈련되어, 점차적으로 더 좋은 가짜 데이터를 생성하도록 학습됩니다. GAN은 수학적으로 다음과 같이 표현할 수 있습니다: 생성자(Generator): Generator는 잠재 공간(latent space)에서 무작위로 뽑은 잠재 변수(z)를 입력으로 받아, 가짜 데이터(G)를 생성합니다. Generator는..