Generative Adversarial Network < GAN >

AutoEncoder --> auto는 자동이 아니라, self 스스로 라는 의미가 큼


Autoencoder의 목적은, generator를 하는 게 아니라 복구를 하는 것이다.
기본적으로 Latent Space를 학습시키는 것이기 때문에
 원래 Data를 decoder 하기 위해서 'encoder를 학습시키는 것.'

특징들이 모여있는 공간이 (Latent) Vector임.
결국. 학습된 Parameter들이 중요한 것임.



cf. Variational Auto Encoder   ==> 변분 혹은 변이 Autoencoder ∴ VAE

 VAE의 목적은 원래 없었던 값을 Generator (학습) 시키는 것. (복구시키는 것이 아님!)
정규분포(가우시안 확률분포 값) 사용하는데, 평균과 분산으로 Vector를 만들기 위해 필요함.
이미지를 학습 시킬 때 mean과 Valance(log_var)을 찾아서 Vector를 만듬.
이 벡터는 잠재 공간상 확률분포를 정의하고 "디코딩을 위한" *포인트 샘플링*에 사용됨.





Generative Adversarial Network < GAN > : 적대적 생성 신경망

상반된 목적의 두 신경망 모델이 ★경쟁을 통하여★ 학습하고 결과물을 생성

누구와 누가? 생성자와 판별자!

생성자는 Noise(난수)를 받아서 실제와 비슷한 거짓데이터를 생성
 학습대상Real image 을  -> Fake image로 만듬.

생성자 Generator는 Decoder에 가깝고
판별자 Discriminator는 Classification에 가까움 --> 지도학습

https://thispersondoesnotexist.com 참고