[데이터분석] Deep Learning(딥러닝) 4

 

Recurrent Neural Network

이전까지 들어온 입력 공간이 존재하면서 새로운 입력과 함께 모든 값이 입력으로 같이 들어간다는 것이다.

 

 

 

Recurrent Neural Network(RNN)의 문제점

Swquence가 길어지면 성능이 떨어지고 학섭도 잘 안되고 오래된 입력에 대해서는 기억을 잘 못한다.

우리가 "시장에 가면"이라는 게임을 보면 생선도 있고 과일도 있고 과자도 있고 우유도 있고 라는 게임 중에  마지막 사람이 처음부터 생선을 까먹으면 틀리는 게임처럼  오래된 입력을 대해서 기억을 못 하는 경우라고 생각하면 됩다.

 

Recurrent Neural Network(RNN)의 문제점을 해결하기 위한 2가지

LSTM - Long Short Term Memory

GRU -  Gated Recurrunt Unit

 

 

Generative Adversarial Network(GAN)

생성 모델의 한 종류로 서로 대립하여 두 신경망을 경쟁시켜서 좋은 성능을 얻어내는 Deep Learning Algorithm

• Generative: 생성(Generation) 모델
• Adversarial: 두 개의 모델을 적대적(Adversarial)으로 경쟁시키며 발전
• Network: 인공신경망(Artificial Neural Network)
• Unsupervised Learning(비지도 학습) 알고리즘
• DNN은 레이블이 있는 정보를 학습하는 지도 학습 방식이지만, GAN은 레이블 이 없는 정보를 다루는 비지도 학습

 

 

N차 학습을 통해서 허구 데이터와 실제 데이터가 비슷해지려고 Deep Learning Algorithm이라고 한다.

 

 

Generative Adversarial Network(GAN)  종류

 

(1) DCGAN(Deep Convolutional GAN)
기존 GAN에 존재했던 Fully-Connected 구조를 CNN 구조로 변경

(2) SRGAN(Super Resolution GAN)
미세한 질감 디테일의 복구를 기반으로 만들어짐
저해상도 이미지 → 고해상도 이미지

(3) StackGAN
입력된 문장과 단어를 해석해 이미지를 생성

(4) 3D-GAN
입체 모델 생성 네트워크 사용
2D 이미지 → 3D 이미지

(5) CycleGAN
AI가 자율적으로 학습하여 이미지의 스타일을 다른 스타일로 변환시키는 기술

(6) DiscoGAN
자율적으로 서로 다른 객체 그룹 사이의 특성을 파악하여 양자 사이의 관계를 파악할 수 있는 기술임