生成式对抗网络

生成式对抗网络GenerativeAdversarialNetwork---不要怂，就是GAN----LOGO-June1,2018早期理论积累GAN的理论及衍生模型GAN的应用介绍早期理论积累生成式对抗网络GAN起源于博弈论中的二人零和博弈（two-playergame）博弈方a:生成式模型（generativemodel）博弈方b:判别式模型（discriminativemodel）生成模型G:捕捉样本数据的分布，用服从某一分不（均匀分布，高斯分布）的噪声z生成一个类似真实训练数据的样本，追求效果是越像真实的越好。判别模型D：是一个二分类器，估计一个样本来自训练数据（而非生成数据）的概率，如果样本来自真实的训练数据，D输出大概率，否则，D输出小概率。生成式对抗网络---博弈论博弈论-纳什均衡假设猪圈里有一头大猪、一头小猪。猪圈的一头有猪食槽（两猪均在食槽端），另一头安装着控制猪食供应的按钮，按一下按钮会有10个单位的猪食进槽，但是在去往食槽的路上会有两个单位猪食的体能消耗，若大猪先到槽边，大小猪吃到食物的收益比是9∶1；同时行动（去按按钮），收益比是7∶3；小猪先到槽边，收益比是6∶4。那么，在两头猪都有智慧的前提下，最终结果是小猪选择等待。生成式对抗网络---博弈论囚徒困境智猪博弈机器学习方法可以分为生成方法和判别方法，所学到的模型分别称为生成式模型和判别式模型。生成方法通过观测数据学习样本与标签的联合概率分布P(X,Y)，训练好的模型能够生成符合样本分布的新数据，它可以用于有监督学习和无监督学习。判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。生成方法和判别方法深度产生式模型的深度信念网络（DBN）。DBN是由一组受限玻尔兹曼机(RBMs)堆叠而成的深度生成式网络，它的核心部分是贪婪的、逐层学习的算法，这种算法可以最优化深度置信网络的权重。以无监督方式预训练的生成式模型（DBN）可以提供良好的初始点，然后通过有监督的反向传播算法微调权值早期深层生成模型生成对抗网络，由两个网络组成，即生成器和判别器，生成器用来建立满足一定分布的随机噪声和目标分布的映射关系，判别器用来区别实际数据分布和生成器产生的数据分布。GAN生成模型GAN的理论及衍生模型请在此添加你的标题生成式对抗网络--GAN理论GAN的基本框架当固定生成网络G的时候，对于判别网络D的优化，可以这样理解：输入来自于真实数据，D优化网络结构使自己输出1，输入来自于生成数据，D优化网络结构使自己输出0；当固定判别网络D的时候，G优化自己的网络使自己输出尽可能和真实数据一样的样本，并且使得生成的样本经过D的判别之后，D输出高概率。生成式对抗网络--GAN的基本框架生成式对抗网络--如何定义损失通过优化目标，使得我们可以调节概率生成模型的参数，从而使得生成的概率分布和真实数据分布尽量接近。但是这里的分布参数不再跟传统概率统计一样了，这些参数保存在一个黑盒中：最后所学到的一个数据分布Pg(G)，没有显示的表达式。生成式对抗网络--noise输入的解释如图所示，假设我们现在的数据集是一个二维的高斯混合模型，那么这么noise就是x轴上我们随机输入的点，经过生成模型映射可以将x轴上的点映射到高斯混合模型上的点。当我们的数据集是图片的时候，那么我们输入的随机噪声其实就是相当于低维的数据，经过生成模型G的映射就变成了一张生成的图片G（x）。优化函数的目标函数D(x)表示判别器认为x是真实样本的概率，而1-D(G(z))则是判别器认为合成样本为假的概率。训练GAN的时候，判别器希望目标函数最大化，也就是使判别器判断真实样本为“真”，判断合成样本为“假”的概率最大化；与之相反，生成器希望该目标函数最小化，也就是降低判别器对数据来源判断正确的概率。在训练的过程中固定一方，更新另一方的网络权重，交替迭代，在这个过程中，双方都极力优化自己的网络，从而形成竞争对抗，直到双方达到一个动态的平衡（纳什均衡），此时生成模型G恢复了训练数据的分布（造出了和真实数据一模一样的样本），判别模型再也判别不出来结果，准确率为50%，约等于乱猜。生成式对抗网络--GAN的训练方法生成模型：要最小化判别模型D的判别准确率。判别模型：要尽量最大化自己的判别准确率黑色大点虚线P(X)是真实的数据分布A.Pg和Pdata相似，D是部分精确的分类器绿线G（z）是通过生成模型产生的数据分布（输入是均匀分布变量z，输出是绿色的线）B.D被训练以区分样本和数据，并收敛到蓝色的小点虚线D（X）代表判别函数C.在更新g之后，d的梯度引导g(Z)流向更有可能被归类为数据的区域。较低的水平线是z采样的区域，在这种情况下，上面的水平线是X域的一部分。向上箭头显示映射x=g(Z)如何将非均匀分布的pg强加于转换后的样本上。g在高密度区域收缩，在pg低密度区域扩展。D.产生的绿色分布和真实数据分布已经完全重合。这时，判别函数对所有的数据（无论真实的还是生成的数据），输出都是一样的值，已经不能正确进行分类。G成功学习到了数据分布，这样就达到了GAN的训练和学习目的。Pg=Pdata，判别器无法区分这两个分布，此时D(X)=1/2生成式对抗网络--训练方法首先，如果固定G，那么D的最优解就是一个贝叶斯分类器。将这个最优解形式带入，可以得到关于G的优化函数。简单的计算可以证明，当产生的数据分布与真实数据分布完全一致时，这个优化函数达到全局最小值。Pg=Pdata生成模型G隐式地定义了一个概率分布Pg，我们希望Pg收敛到数据真实分布Pdata。论文证明了这个极小化极大博弈当且仅当Pg=Pdata时存在最优解，即达到纳什均衡，此时生成模型G恢复了训练数据的分布，判别模型D的准确率等于50%。GAN是存在全局最优解的全局最优解和收敛性生成式对抗网络--全局最优解和收敛性如果G和D的学习能力足够强，两个模型可以收敛。但是GAN模型的收敛性和均衡点存在性需要新的理论突破，模型结构和训练稳定性需要进一步提高。GAN的收敛是很困难的。第一，就是梯度消失的问题，当优化的时候，对于公式里我们的生成器、判别器的损失函数会存在梯度消失的问题，那么我们需要设计一些更好的损失函数，使得梯度消失问题得到解决。第二个就是模式发现问题，也就是说我们的生成器可能生成同样的数据而不是多样的数据。GAN的收敛性根据实际的结果，它们看上去可以比其它模型产生了更好的样本（图像更锐利、清晰）生成对抗式网络框架能训练任何一种生成器网络不需要设计遵循任何种类的因式分解的模型，任何生成器网络和任何鉴别器都会有用无需反复采样优点：生成式对抗网络--优点和缺点解决不收敛的问题。所有的理论都认为GAN应该在纳什均衡上有卓越的表现，但梯度下降只有在凸函数的情况下才能保证实现纳什均衡GAN模型被定义为极小极大问题，没有损失函数，在训练过程中很难区分是否正在取得进展无需预先建模，模型过于自由不可控缺点：生成式对抗网络--衍生模型DCGAN把有监督学习的CNN与无监督学习的GAN整合到一起提出了DeepConvolutionalGenerativeAdversarialNetworks-DCGANs，是生成器和判别器分别学到对输入图像层次化的表示。1.使用DCGANs从大量的无标记数据（图像、语音）学习到有用的特征，相当于利用无标记数据初始化DCGANs的生成器和判别器的参数，在用于有监督场景.2.表示学习representationlearning的工作：尝试理解和可视化GAN是如何工作的.3.稳定训练DCGANs生成式对抗网络--衍生模型CGAN1.定义：通过将额外信息y输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN2.在生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。条件GAN的目标函数是带有条件概率的二人极小极大值博弈（two-playerminimaxgame）生成式对抗网络--衍生模型InfoGANInfoGAN：挖掘GAN模型隐变量特点的模型为了使输入包含可以解释，更有信息的意义，InfoGAN[7]的模型在z之外，又增加了一个输入c，称之为隐含输入(latentcode)，然后通过约束c与生成数据之间的关系，使得c里面可以包含某些语义特征(semanticfeature)，比如对MNIST数据，c可以是digit(0-9)，倾斜度，笔画厚度等。GAN的应用领域生成式对抗网络--计算机视觉生成式对抗网络--计算机视觉生成式对抗网络--图像超分辨率生成式对抗网络--图像去雨THANKYOU2018.06.01