Generative Adversarial Networks

• GAN은 두 가지의 모델을 적대적(Adversarial)으로 경쟁을 시키면서 발전시키는 것이다.
• Generator는 그럴듯한 가짜 이미지를 생성하여 Discriminator를 속이는 것이다.
• Discriminator는 Generator가 생성한 가짜 이미지와 진짜 이미지를 구분하는 것이다.

이미지 출처:developers

Train

Objective function

\begin{align} minmax{(_{\theta{_g}}, _{\theta{_d}})} = [E{_{x} \sim P{_{data}}} \log D{_{\theta}{_d}} (x) + E{_{z} \sim p{_{z}}} \log (1 - D{_{\theta}{_d}} (G{_{\theta}{_g}} (z))) ] \end{align}

1. Gradient ascent on discriminator

   • 판별자는 $\theta_d$를 최대화 하는 방향으로 학습을 진행한다.

   \begin{align} max{(_{\theta{_d}})} = [E{_{x} \sim P{_{data}}} \log D{_{\theta}{_d}} (x) + E{_{z} \sim p{_{z}}} \log (1 - D{_{\theta}{_d}} (G{_{\theta}{_g}} (z))) ] \end{align}

2. Gradient descent on generator

   • 생성자는 $\theta_g$를 최소화 하는 방향으로 학습을 진행한다.

     \begin{align} min{_{\theta}{_g}}E{_{z} \sim p{_{z}}} \log (1 - D{_{\theta}{_d}} (G{_{\theta}{_g}} (z))) ] \end{align}

GAN 구현(Tensorflow)

• GAN을 tensorflow를 사용하여 구현하였다.
• 전체 코드는 여기에서 볼 수 있다.

Generator

• Fully connected layer인 Dense layer를 사용하였고 activation function은 relu를 사용하였다.
• 마지막 layer에서는 sigmoid를 사용하였고 출력의 크기를 조절해 줬다.
• 마지막 layer에서 tanh 함수를 사용하였을때는 학습이 잘 이뤄지지 않았다. 범위가 0부터 1인 sigmoid 함수를 사용하니 학습이 잘 이뤄졌다.

Discriminator

• 입력되는 이미지의 크기를 정해주었다.
• 각 layer마다 LeakyReLU 함수를 사용하였다.

Loss

• loss 함수는 Binary cross entropy를 사용하였다. 판별자가 출력한 loss가 정답에 가까우면 낮아지고 정답에서 멀면 커진다.

Optimizer

• optimizer는 생성자는 Adam을 사용하고, 판별자는 RMSProp을 사용하였다.
• 생성자와 판별자 모두 Adam을 사용했을때는 loss도 커지고 이미지 생성이 제대로 이뤄지지 않았다.

Train

• Generator loss와 Discriminator loss를 계산한다.

• Generator가 학습을 한 후 36번째 생성한 이미지이다. 완벽하진 않지만 50번 학습중 가장 잘 생성되었다.

References

쉽게 씌어진 GAN
Jaejun Yoo’s Playgraound