한빛미디어

리뷰

이번 달 리뷰 할 책으로 받게 된 GAN in Action 입니다.
개인적으로 in Action 시리즈를 좋아하는데요, 그 이유 중 하나가 자세한 설명이 마음에 들었기 때문입니다.
이번 책도 기존의 in Action 시리즈들과 같이 자세한 설명이 있는지 궁금하네요.

특이하게도, 당연하게도 GAN in Action의 대상 독자는 머신러닝과 신경망을 다뤄본 경험이 있는 사람을 대상으로 한다고 합니다. GAN 자체가 신경망이나 머신러닝을 다루지 않고는 접근하기 어려운 부분이기 때문에 당연하다는 생각도 들었습니다. 여러가지 상세 조건들이 많은데요. 책의 내용을 옮기자면

1. 중급 이상의 파이썬 프로그램을 만들 수 있는 능력

2. 객체지향 프로그래밍에 대한 이해, 객체를 다루는 방법, 속성, 메서드에 대한 이해

3. 훈련/테스트 데이터셋 분리, 과대적합, 가중치, 하이퍼파라미터 등 머신러닝 기초 

4. 확률, 밀도 함수, 확률 분포, 미분, 간단한 최적화 등과 같은 기초 통계학과 미적분학

5. 행렬, 고차원 공간, (이상적으로는) 주성분 분석 같은 선형 대수에 대한 기초

6. 피드포워드 신경망, 가중치와 편향, 활성화 함수, 규제, 확률적 경사 하강법 등 딥러닝 기초

7. 케라스를 조금이라도 써본 경험 혹은 따로 학습할 의지

등으로 총 7가지 대상이 적혀 있습니다. 그리고 그 아래 적혀 있네요.
"여러분에게 겁을 주려는 게 아닙니다. 여러분이 이 책에서 최대한 많은 것을 얻기를 바라는 망므에서 나열했습니다."

GAN(Generative Adversarial network)은 동시에 두 개의 모델을 훈련하는 머신러닝의 모델입니다.
Generative이라는 용어는 모델의 '목적' 나타내며, Adversarial은 GAN을 이루는 두 모델인 생성자와 판벼ㅑㄹ자 사이의 게임 같은 경쟁 구도를 나타낸다고 합니다.

GAN의 가장 놀라운 성과는 image-to-image 변환일 것 같습니다.

아는 분의 페이스북에서 GAN을 통해 예전 사진의 해상도를 복원 글을 본 적이 있어서 더욱 신기하게 다가왔습니다.

이 책의 좋은 점은 여러 GAN을 접할 수 있다는 겁니다.

GAN, ProGAN, SGAN, CGAN, CycleCAN 등 챕터가 갈수록 다양한 GAN을 만날 수 있습니다.

그만큼 책의 난이도도 증가하는 것을 확인할 수 있었습니다.

각 각의 장마다 GAN 알고리즘을 이용해서 따라할 수 있는 튜토리얼들이 존재하고, 조금 더 선명해지고 다양해지는 튜토리얼을 통해 GAN에 다가갈 수 있었습니다.

마지막 장에는 CycleGAN에 대한 내용이 나옵니다. 이미지 대 이미지 변환으로 입력과 출력이 서로 다른 결과를 보여주게 되는데요. 개인적으로는 화질이 흐린 사진을 넣으면 화질이 좋아지는 예제가 있었으면 좋지 않았을까 하는 생각도 해봤습니다. 

GAN에 대해서 아주 자세한 설명을 볼 수 있었고, 기계학습 과 관련된 내용인 만큼 난이도가 있는 것은 사실입니다. 책을 구입하시기 전에 꼭 확인하시고 구입하시는 것을 추천드립니다.

- 한빛미디어로부터 책을 지원 받아 작성 된 리뷰 입니다.