창조에 다가서는 GAN의 4가지 생성 프로젝트
이 책은 케라스를 사용한 딥러닝 기초부터 AI 분야 최신 알고리즘까지 설명한다. 기계 스스로 그림을 그리고, 글을 쓰고, 음악을 작곡하고, 게임을 하는 딥러닝 생성 모델을 재현하는 과정에서 독자는 변이형 오토인코더(VAE), 생성적 적대 신경망(GAN), 인코더-디코더 모델, 월드 모델 등을 학습할 수 있다. 이 책에서 제시한 팁과 가이드로 모델을 효율적으로 학습시키고 창의적인 생성 모델을 만들 수 있다.
저자 소개
저자 : 데이비드 포스터(David Foster)
Applied Data Science의 공동 창업자이고 고객에게 맞춤 솔루션을 제공하는 데이터 과학 컨설턴트입니다. 영국 케임브리지 대학교 트리니티 칼리지에서 수학 석사 학위를, 워릭 대학교에서 운용과학 분야 석사 학위를 받았습니다.
‘InnoCentive Predicting Product Purchase’ 대회를 포함한 여러 국제 머신러닝 경연 대회에서 우승했습니다. 미국의 제약회사에서 임상 시험의 시설 선정을 최적화하는 방법을 시각화하여 1등을 수상하기도 했습니다.
온라인 데이터 과학 커뮤니티에 활발하게 참여하고 있고 「How To Build Your Own AlphaZero AI Using Python and Keras」 등 딥러닝을 사용한 강화학습 블로그 포스트를 여럿 작성하였습니다.
역자 : 박해선
ML GDE(Machine Learning Google Developer Expert)입니다. 기계공학을 전공했지만 졸업 후엔 줄곧 코드를 읽고 쓰는 일을 했습니다. 블로그(tensorflow.blog)에 글을 쓰고 텐서플로 문서 번역에 기여하면서 소프트웨어와 과학의 경계를 흥미롭게 탐험하고 있습니다.
『Do it! 딥러닝 입문』(이지스퍼블리싱, 2019)을 쓰고, 『머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로』(2019), 『케라스 창시자에게 배우는 딥러닝』(이상 길벗, 2018), 『파이썬을 활용한 머신러닝 쿡북』(2019), 『파이썬 라이브러리를 활용한 머신러닝』(2019), 『핸즈온 머신러닝』(2018), 『텐서플로 첫걸음』(이상 한빛미디어, 2016)을 우리말로 옮겼습니다.
목 차
CHAPTER 1 생성 모델링
1.1 생성 모델링이란?
1.2 확률적 생성 모델
1.3 생성 모델의 난관
1.4 환경 설정
1.5 요약
CHAPTER 2 딥러닝
2.1 정형 데이터와 비정형 데이터
2.2 심층 신경망
2.3 첫 번째 심층 신경망
2.4 모델 성능 향상
2.5 요약
CHAPTER 3 VAE - 변이형 오토인코더
3.1 미술 전시회
3.2 AE - 오토인코더
3.3 변경된 미술 전시회
3.4 VAE 만들기
3.5 VAE를 사용하여 얼굴 이미지 생성
3.6 요약
CHAPTER 4 GAN - 생성적 적대 신경망
4.1 애니멀간
4.2 GAN 소개
4.3 첫 번째 GAN
4.4 GAN의 도전 과제
4.5 WGAN - 와서스테인 GAN
4.6 WGAN-GP
4.7 요약
CHAPTER 5 그리기
5.1 사과와 오렌지
5.2 CycleGAN 소개
5.3 첫 번째 CycleGAN
5.4 CycleGAN으로 모네 그림 그리기
5.5 뉴럴 스타일 트랜스퍼
5.6 요약
CHAPTER 6 쓰기
6.1 고약한 범법자를 위한 문학 클럽
6.2 LSTM 네트워크 소개
6.3 첫 번째 LSTM 네트워크
6.4 새로운 텍스트 생성
6.5 RNN 확장
6.6 인코더-디코더 모델
6.7 질문-대답 생성기
6.8 요약
CHAPTER 7 작곡하기
7.1 준비 사항
7.2 첫 번째 음악 생성 RNN
7.3 MuseGAN 소개
7.4 첫 번째 MuseGAN
7.5 MuseGAN 생성자
7.6 MuseGAN 비평자
7.7 MuseGAN 분석
7.8 요약
CHAPTER 8 게임하기
8.1 강화학습
8.2 월드 모델 구조
8.3 환경 설정
8.4 훈련 과정
8.5 랜덤한 롤아웃 데이터 수집
8.6 VAE 훈련
8.7 RNN 훈련 데이터 수집
8.8 MDN-RNN 훈련
8.9 컨트롤러 훈련
8.10 꿈속에서 훈련하기
8.11 요약
CHAPTER 9 생성 모델링의 미래
9.1 최근 5년간의 발전
9.2 트랜스포머
9.3 이미지 생성 분야의 발전
9.4 생성 모델링의 적용 분야
CHAPTER 10 결론
출판사 서평
만들 수 없다면 이해하지 못한 것이다. (리처드 파인만)
최근 생성 모델링 분야에서 가장 널리 사용하고 창조적인 작업에서 인상적인 진전을 이루어낸 주요 기술을 다룹니다. 핵심적인 생성 모델링 이론을 살펴보고 논문에 소개된 일부 주요 모델에 예제를 만들고 단계별로 코드를 살펴봅니다.
주요 내용
● 변이형 오토인코더가 사진 속 얼굴 표정을 어떻게 바꾸는지 알아보기
● 스타일을 변경하는 CycleGAN과 음악을 생성하는 MuseGAN을 사용한 GAN 예제
● 텍스트를 생성하는 순환 생성 모델을 만들고 어텐션을 사용하여 모델 성능 향상시키기
● 생성 모델이 어떻게 강화학습 환경에서 작업을 완수하려는 에이전트를 돕는지 이해하기
● 트랜스포머(BERT, GPT-2), ProGAN, StyleGAN 같은 이미지 생성 모델의 구조 살펴보기
이 책의 구성
_1장 생성 모델링
기본적인 확률 모델을 사용한 첫 번째 예제를 살펴보고 생성 모델링 작업의 복잡도가 증가할 때 딥러닝이 필요한 이유를 분석해봅니다.
_2장 딥러닝
복잡한 생성 모델을 만들기 위해 필요한 딥러닝 도구와 기술을 소개합니다. 딥러닝 분야의 이론적 배경보다는 실용적인 가이드를 제공합니다.
_3장 변이형 오토인코더(VAE)
생성 딥러닝 모델인 변이형 오토인코더를 살펴봅니다. 실제와 같은 얼굴을 생성할 뿐만 아니라 기존 이미지를 변경합니다.
_4장 생성적 적대 신경망(GAN)
생성적 적대 신경망을 살펴봅니다. 모델을 세부 튜닝하는 방법과 생성 모델링 영역을 지속적으로 확장하는 새로운 기법을 알아봅니다.
_5장 그리기
GAN 구조를 사용하여 모델이 사진을 특정 스타일의 그림으로 (또는 그 반대로) 변환하는 CycleGAN을 배웁니다. 또한 그림의 스타일을 사진으로 전달하여 마치 동일한 화가가 그린 듯한 효과를 내는 뉴럴 스타일 트랜스퍼 기술도 살펴봅니다.
_6장 쓰기
순차 데이터가 포함된 문제를 다루는 순환 신경망(RNN) 구조를 소개합니다. 또한 인코더-디코더 구조의 작동 원리를 알아보고 간단한 질문-대답 생성기를 만듭니다.
_7장 작곡하기
텍스트 생성 문제에 사용한 여러 기술을 확장하고 음악 데이터를 적용한 딥러닝 구조인 MuseGAN을 살펴봅니다.
_8장 게임하기
생성 모델을 강화학습 같은 머신러닝 도메인에 사용할 수 있는지 알아봅니다. 에이전트가 주어진 환경에서 생성 모델을 훈련하는 방법을 소개합니다.
_9장 생성 모델링의 미래
생성 모델링 분야를 요약하고 이 책에서 소개한 기술을 정리합니다. 전망을 조망하고 오늘날 가능한 최고의 기술이 창의성을 바라보는 방식을 어떻게 바꾸는지 살펴봅니다.
5. 추천사
이 책은 생성 모델링용 딥러닝 도구를 소개하는 좋은 책입니다. 여러분이 코드를 다룰 줄 아는 크리에이티브 기술자이고 현재 작업에 딥러닝을 접목하고 싶다면 이 책을 읽어보세요.
- 데이비드 하, 구글 브레인 과학자
