6.8.4 プロジェクト：生成モデル実践 [任意]

この節の位置づけ

生成 project は、きれいな sample を 1 つ出したら終わりではありません。quality、diversity、stability、failures、そしてなぜその checkpoint を残すのかを示す必要があります。

学習目標

• 生成 project の評価が分類と違う理由を説明できる。
• quality と diversity を一緒に追跡できる。
• 小さな checkpoint review table を作れる。
• mode collapse と blurry-output failure を見分けられる。
• generated samples を project evidence としてまとめられる。

---

まず Evaluation Loop を見る

train -> sample checkpoints -> review quality + diversity -> keep failures -> choose next step

練習 project では、次のような生成 target を選びます。

• visual inspection できる。
• 訓練または simulation が小さくできる。
• checkpoint 間の比較がしやすい。

digits、icons、simple shapes、小さな grayscale patterns は、open-ended photorealistic generation より最初の project に向いています。

実験：Checkpoint Review Dashboard

generative_review_dashboard.py を作成します。

checkpoints = [
    {"epoch": 1, "quality": 0.20, "diversity": 0.80, "note": "mostly noise"},
    {"epoch": 10, "quality": 0.45, "diversity": 0.72, "note": "outlines appear"},
    {"epoch": 30, "quality": 0.68, "diversity": 0.60, "note": "usable but varied"},
    {"epoch": 60, "quality": 0.75, "diversity": 0.48, "note": "possible collapse"},
]

print("generation_review")
for row in checkpoints:
    status = "candidate" if row["quality"] >= 0.6 and row["diversity"] >= 0.55 else "review"
    print(
        f"epoch={row['epoch']:03d} "
        f"quality={row['quality']:.2f} "
        f"diversity={row['diversity']:.2f} "
        f"status={status}"
    )

selected = max(
    [row for row in checkpoints if row["diversity"] >= 0.55],
    key=lambda row: row["quality"],
)
print("selected_epoch:", selected["epoch"])

実行します。

python generative_review_dashboard.py

期待される出力：

generation_review
epoch=001 quality=0.20 diversity=0.80 status=review
epoch=010 quality=0.45 diversity=0.72 status=review
epoch=030 quality=0.68 diversity=0.60 status=candidate
epoch=060 quality=0.75 diversity=0.48 status=review
selected_epoch: 30

なぜ epoch 60 を選ばないのでしょうか。quality は高いですが diversity が低いからです。良い生成 project は、最もきれいな 1 枚だけを選びません。

保存するもの

Evidence	理由
samples by checkpoint	training progression を示す
failure samples	limits を正直に示す
diversity notes	repeated outputs を見つける
quality notes	visual improvements を説明する
training logs	stability や collapse を示す
final selection rule	選択を reproducible にする

Quality、Diversity、Stability

Dimension	良い sign	Warning sign
Quality	samples が target data らしい	noisy、blurry、broken structure
Diversity	samples に意味のある variation がある	repeated outputs または 1 つの style だけ
Stability	checkpoints が徐々に改善する	sudden collapse または oscillation
Interpretability	failures が記録されている	best samples だけを見せる

よくある trade-off：

best-looking single sample != best project checkpoint

Project Upgrade Path

Version	追加するもの
basic	one model、fixed sampling seed、checkpoint samples
standard	quality/diversity table と failure samples
challenge	VAE、GAN、diffusion-style outputs の比較
portfolio	data、model、samples、failures、next step の clear story

よくある間違い

間違い	直し方
best samples だけ見せる	average samples と failure samples も見せる
diversity を無視する	repeated outputs や unique patterns を追う
checkpoint 比較で条件を揃えない	同じ fixed seed set を使う
dataset が最初から複雑すぎる	小さな visual target から始める
model choice を説明しない	なぜ VAE、GAN、または別手法なのかを書く

練習

1. epoch 90、quality 0.80、diversity 0.30 を追加してください。選ぶべきですか。
2. 各 checkpoint に failure field を追加してください。
3. 自分の生成 project idea について 4 行の表を書いてください。
4. checkpoint table を使って mode collapse を説明してください。
5. “Why I selected this checkpoint” という portfolio section を下書きしてください。

まとめ

• Generative project には gallery ではなく evaluation story が必要です。
• Quality と diversity は一緒に読みます。
• Failure samples は project をより信頼できるものにします。
• 明確な checkpoint selection rule も deliverable の一部です。