실전 — 사용자 정의 GAN 학습 루프 · Keras 퀘스트

마무리 실습 — 한 번은 모든 책임을 직접 져 보기

앞에서는 GAN을 train_step() 재정의로 깔끔하게 구현했어. 이번에는 같은 모델을 fit()도 train_step()도 없이 전체 수동 루프로 작성해. 목적은 fit()이 대신 맡던 책임의 무게를 몸으로 확인하는 거야. 에포크 반복, 그래디언트 기록 장치 두 개, 평가지표 출력, 체크포인트 로직을 직접 쓰면 높은 수준의 학습 API가 주는 가치가 코드 줄 수로 드러나.

수동 GAN 루프의 실제 동작

학습 원리는 같고 담당자만 바뀌어. 각 단계에서 실제 자료와 생성 자료를 섞은 배치로 판별자를 학습한 뒤, 생성자가 판별자를 속이도록 학습해. 두 신경망은 각자의 옵티마이저를 사용해. 아래 뼈대는 두 그래디언트 기록 장치가 만드는 핵심 갱신만 보여 줘. 실제 실행에서는 진행 상황 출력, 주기적인 표본 이미지 저장, 체크포인트까지 직접 둘러야 해. 모두 재정의 버전이 fit()에서 물려받던 기능이야.

판별자는 실제 자료와 생성 자료를 함께 학습해
생성자는 판별자를 속이는 방향으로 학습해
각 신경망은 별도의 옵티마이저를 사용해
두 손실을 모두 관찰해. 건강한 학습에서는 경쟁 속에서 값이 진동하며, 둘 중 하나가 0으로 무너지지 않아

Code

수동 GAN 단계(TensorFlow 백엔드)·python

import tensorflow as tf

for epoch in range(epochs):
    for real_images in dataset:
        batch_size = tf.shape(real_images)[0]
        noise = keras.random.normal((batch_size, latent_dim))

        # --- Discriminator step ---
        fake_images = generator(noise)
        combined = tf.concat([real_images, fake_images], axis=0)
        labels = tf.concat([
            tf.ones((batch_size, 1)),
            tf.zeros((batch_size, 1)),
        ], axis=0)
        with tf.GradientTape() as tape:
            preds = discriminator(combined)
            d_loss = loss_fn(labels, preds)
        d_grads = tape.gradient(d_loss, discriminator.trainable_variables)
        d_opt.apply_gradients(zip(d_grads, discriminator.trainable_variables))

        # --- Generator step (fool the discriminator) ---
        noise = keras.random.normal((batch_size, latent_dim))
        misleading = tf.ones((batch_size, 1))
        with tf.GradientTape() as tape:
            preds = discriminator(generator(noise))
            g_loss = loss_fn(misleading, preds)
        g_grads = tape.gradient(g_loss, generator.trainable_variables)
        g_opt.apply_gradients(zip(g_grads, generator.trainable_variables))

    print(f"epoch {epoch}: d_loss={float(d_loss):.3f} g_loss={float(g_loss):.3f}")

실전 — 사용자 정의 GAN 학습 루프

마무리 실습 — 한 번은 모든 책임을 직접 져 보기

수동 GAN 루프의 실제 동작

Code

External links

Exercise

Progress

댓글 0