Generative Model

우리는 생성모델하면 강아지나 고양이 이미지를 만들어내는 것을 생각할 수 있다.과연 생성모델을 학습한다는 것은 어떤 의미가 있는 생각해본적이 있나?우리가 input으로 강아지 사진이 들어왔다고 가정해보자 우리는 input에 대한 distribution을 학습해야 한다.우

Maximum Likelihood Learning likelihood란? likelihood의 의미는 우도라는 뜻으로 파라미터가 주어졌을 때 이 데이터가 얼마나 그럴싸한지 대한 것이다. 이를 높이는 방향으로 파라미터를 학습하는 것을 Maximum Likelihood L

Generative Adversarial Networks의 약자이다.concept 자체는 GAN는 Generator(G)와 Discriminator(D)로 구성되어 있다.Discriminator(D)는 생성된 이미지가 Generator로 학습한 건지, 아니면 원래 들고

간단하게 설명하면 noise로 부터 이미지를 생성하는 것이다.예를 들어서 VAE로 생각해보면 VAE 역시 noise 벡터로 부터 이미지를 만든다고 볼 수 있다. 왜냐면 latent distribution이 가우시안 분포이고 거기서 sampling 된 가우시안 벡터가 이

생성모델이 뭔지는 우리가 계속 배워왔다. 즉 이미지들의 분포가 있을 때 우리가 여러가지 기법을 이용하여 그 분포와 근사한 분포를 찾아내어 그것으로 부터 샘플링하여 새로운 이미지를 만들어내는 것이다. 생성모델에서 확률이라는 개념이 많이 쓰인다고 알고 있었다. 그렇지만

VAE Variational Autoencoders 생성모델의 흐름 1에서 배웠듯이 VAE는 latent variable model이고 Variational Bayes를 신경망을 이용해서 한 모델이다. 자세히 살펴보면 x: 관측한 값 decoder z가 주어졌을

우리가 생성모델에서 하고자 하는 것은 결국 데이터의 분포 즉, p(x)를 알고 싶은 것이다. 이것을 학습하기 위한 방법이 여러가지 있다. 그중에서 우리는 우리가 알고 있는 확률분포 모델 family를 정해서 거기 안에서 가장 그럼직한 likelihood가 높은 것을