밑바닥부터 시작하는 딥러닝 5

72

밑바닥부터 시작하는 딥러닝 5

보다시피 두 분포가 거의 일치합니다. 우리의 생성 모델이 관측 데이터의 특징을 잘 포착하여

비슷한 데이터를 새로 생성할 수 있다는 뜻입니다. 이번에는 ‘키’라는

1

차원의 단순한 데이터를

다뤘지만 다음 장에서 소개할 복잡한 생성 모델이라면 이미지와 같은 다차원 데이터, 예컨대

사람의 얼굴 이미지를 새로 생성할 수도 있습니다.

그림

2-9

생성 모델로 생성한 얼굴 이미지(논문

[3]

에서 인용)

[그림

2

-

9

]와 같은 이미지를 생성하려면 적절한 딥러닝 모델을 고안하고 대량의 데이터로 학

습시켜야 합니다. 그렇더라도 생성 모델을 만드는 과정은 이번 장에서 키 데이터로 한 작업과

똑같이 모델링과 매개변수 추정을 통해 이루어집니다.

2.4.2

확률 계산

확률 분포를 알면 어떤 값이 얼마나 발생하기 쉬운지(또는 어려운지 )를 알 수 있습니다. 연속

확률 분포에서 확률을 구하려면 확률 밀도

p

(

x

)

를 적분해야 합니다. 정규 분포라면 적분을 해

석적으로, 즉 수식을 풀어 구할 수 있습니다. 해석적으로 구하기 어려운 경우에는 몬테카를로

방법을 이용하여 근사적으로 구할 수 있습니다.

73

2

장

최대 가능도 추정

NOTE_

몬테카를로 방법

Monte

Carlo

method

은 무작위 수를 이용하여 수치 문제를 근사적으로 해결하는 방법

의 총칭입니다. 해석적 ...