Imagination is more important than knowledge (지식보다 상상)

가장 쉬운 VAE (variational autoencoder) 예제

가장 쉬운 VAE (variational autoencoder) 예제 생성모델, GAN :오토인코더: 또 다른 생성모델로서 VAE. Autoencoder의 latent space가 우리가 잘 아는 정규분포를 따른게 할 수 있다면, 이 분포는 소위, 평균과 표준편차만 구해낸다면 분포를 표현할 수 있습니다. KLD 확률분포의 유사성을 체크하는 함수. 분포가 같을 때, 0 다를수록 큰 값을 가진다. -------------------------------------------------------------------------------------------------------------------- import numpy as npimport matplotlib.pyplot as

가장 쉬운 VAE (variational autoencoder)

가장 쉬운 VAE (variational autoencoder) 데이터의 압축하는 방법을 정립하므로써 새로운 데이터를 만들어 낼 수 있다. 데이터를 압축할 때, 당연히 정보를 잃어버린다.동시에 압축된 정보로 부터 데이터를 복원하는 방법을 개발한다. 데이터를 가지고 있다면 언제든지 할 수 있는 일이다. 결국, 충분한 데이터에 대해서, 데이터 압축과정과 복원과정이라는 두 단계를 만들 수 있다. 잃어버린 정보가 있지만, 상당한 정보를 가진 네트워크를 만들 수 있다. 데이터를 기술하는 중추적인 정보를 인코더가 확보할 수 있을 것이다. 이 제한된 정보로 부터 원본을 확보하는 방법도 동시에 만드는 것이다. GAN 처럼 새로운 데이터를 만들 수 있다.http://incredible.egloos.com/74

가장 쉬운 유전 알고리듬 (genetic algorithm)

가장 쉬운 유전 알고리듬 (genetic algorithm) import randomimport numpy as npfrom scipy.optimize import minimizedef functuser(x): case=3 if case == 1: total=0. for j in range(len(x)): total+=(x[j])**2 if case == 2:# Rastrigin total=10.*len(x) for j in range(len(x)): total+=x[j]**2-10.*np.cos(2.*np.pi*x[j]) if case == 3:# Rosenbrock xarra

가장 쉬운 GAN(generative adversarial network) 예제

가장 쉬운 GAN(generative adversarial network) 예제 아래의 컴퓨터 프로그램은 적대적 생성자 (GAN) 모델을 아마도 가장 쉽게 이해할 수 있게 해주는 것이다. 아래 그림에서 붉은색 sin 함수를 모양을 형성할 수 있는 데이터(alpha, beta)를 생각해 볼 수 있다.이들 데이터는, 그 이유를 알 수 없지만, sin 함수 관계를 만족하고 있다. 다시 말해서, 우리는 y=sin(x) 를 만족하는 데이터들을 가지고 있다. 생성자 모형을 이용하는 우리의 목표는 이들 데이터들과 아주 유사한 가짜 데이터를 만들어내는 것이다.즉, 아주 유사한 데이터를 위조해서 만들어 내는 것이다. [y=sin(x) 관계를 만족하는 데이터를 만들어 내는 것이다.]컴퓨터 계산으로 만들어낸 데이터들은

Make data great again