Conditional GAN

Conditional GAN

source: https://github.com/eriklindernoren/Keras-GAN/blob/master/cgan/cgan.py

Conditional GAN (CGAN)은 specific condition이 주어진 상태에서 fake image를 만들어내는 것이다. 이 condition은 discriminator와 generator의 loss function에 포함된다. 

GAN의 loss function은 다음과 같고,

CGAN의 loss function은 다음과 같다. condition y가 추가된것 외에는 다른 점이 없다.

MNIST 데이터를 사용해서 각 class에 해당하는 숫자를 generation하는 code를 keras로 작성해보자.

위와같은 코드를 작성하고 실행하면 밑의 결과를 얻을 수 있다. 처음에는 discriminator가 우수하였으나, epoch이 진행될 수록 generator가 학습을 하게 되면서 discriminator의 accuracy가 50%에 가까워지는 것을 확인할 수 있다.

Epoch이 진행될 수록 학습되는 숫자가 실제와 비슷해지는 것을 확인할 수 있다. 좀더 깊은 네트워크를 구성하고 이미지에 특화된 CNN을 사용한다면 더 좋은 결과를 얻을 수 있을 것이다.

Generator의 모델구조 CNN 형태로 변경 시켜서, 결과를 확인해보면 

fully connected neural network를 사용한 경우보다 더 매끄러운 결과를 얻을 수 있음을 확인할 수 있다. 위와 마찬가지로, discriminator의 accuracy가 50 % 주변에서 흔들리는 것을 확인할 수 있다. 50%보다 낮아지는 경우가 있는데, discriminator가 단순 fully connected neural network라 CNN을 사용한 모델보다 성능이 나쁘기 때문이다. 둘다 CNN으로도 충분히 구현이 가능하다.