生成对抗网络(GANs)

DIG:DataIntelligenceGenerationLab山西大学计算机科学与信息技术学院山西大学大数据科学与产业研究院生成式对抗网络原理及其发展：GenerativeAdversarialNets2017年12月知识工程OUTLINEGenerativeAdversarialNets(GANS)DeepConvolutionalGenerativeAdversarialNetworks（DCGAN）ConditionalGenerativeAdversarialNets（CGAN）OUTLINEGenerativeAdversarialNets(GANS)DeepConvolutionalGenerativeAdversarialNetworks（DCGAN）ConditionalGenerativeAdversarialNets（CGAN）GenerativeAdversarialNets(GANS)有监督学习经常比无监督的能获得更好的训练效果。但真实世界中，有监督学习需要的数据标注（label）是相对少的。所以研究者们从未放弃去探索更好的无监督学习策略，希望能从海量的无标注数据中学到对于这个真实世界的表示甚至知识，从而去更好地理解我们的真实世界。评价无监督学习好坏的方式有很多，其中生成任务就是最直接的一个。只有当我们能生成/创造我们的真实世界，才能说明我们是完完全全理解了它。然而，生成任务所依赖的生成式模型（generativemodels）往往会遇到两大困难。首先是我们需要大量的先验知识去对真实世界进行建模，其中包括选择什么样的先验、什么样的分布等等。而建模的好坏直接影响着我们的生成模型的表现。另一个困难是，真实世界的数据往往很复杂，我们要用来拟合模型的计算量往往非常庞大，甚至难以承受。GenerativeAdversarialNets(GANS)IanGoodfellow提出的GenerativeAdversarialNetworks(GANs)很好的避开了这两个困难。每一个GAN框架，都包含着一对模型——一个生成模型（G）和一个判别模型（D）。因为D的存在，才使得GAN中的G不再需要对于真实数据的先验知识和复杂建模，也能学习去逼近真实数据，最终让其生成的数据达到以假乱真的地步——D也无法分别。论文中的模型优化公式：GenerativeAdversarialNets(GANS)GenerativeAdversarialNets(GANS)Sampleminibatchofmexamples{x_1,x_2,......,x_m}sampleminibatchofmnoisesamples{z_1,z_2,......,z_m}GeneratorDiscriminatorGenerativeAdversarialNets(GANS)代码说明及实验成果：#定义判别器defdiscriminator(x):#计算D_h1=ReLU（x*D_W1+D_b1）,该层的输入为含784个元素的向量D_h1=tf.nn.relu(tf.matmul(x,D_W1)+D_b1)#计算第三层的输出结果。因为使用的是Sigmoid函数，则该输出结果是一个取值为[0,1]间的标量（见上述权重定义）#即判别输入的图像到底是真（=1）还是假（=0）D_logit=tf.matmul(D_h1,D_W2)+D_b2D_prob=tf.nn.sigmoid(D_logit)#返回判别为真的概率和第三层的输入值，输出D_logit是为了将其输入tf.nn.sigmoid_cross_entropy_with_logits()以构建损失函数returnD_prob,D_logitGenerativeAdversarialNets(GANS)#定义一个可以生成m*n阶随机矩阵的函数，该矩阵的元素服从均匀分布，随机生成的z就为生成器的输入defsample_Z(m,n):returnnp.random.uniform(-1.,1.,size=[m,n])#定义生成器defgenerator(z):#第一层先计算y=z*G_W1+G-b1,然后投入激活函数计算G_h1=ReLU（y）,G_h1为第二次层神经网络的输出激活值G_h1=tf.nn.relu(tf.matmul(z,G_W1)+G_b1)#以下两个语句计算第二层传播到第三层的激活结果，第三层的激活结果是含有784个元素的向量，该向量转化28×28就可以表示图像G_log_prob=tf.matmul(G_h1,G_W2)+G_b2G_prob=tf.nn.sigmoid(G_log_prob)returnG_probGenerativeAdversarialNets(GANS)#分别输入真实图片和生成的图片，并投入判别器以判断真伪D_real=discriminator(X)D_fake=discriminator(G_sample)#以下为原论文的判别器损失和生成器损失D_loss=-tf.reduce_mean(tf.log(D_real)+tf.log(1.-D_fake))G_loss=-tf.reduce_mean(tf.log(D_fake))#定义判别器和生成器的优化方法为Adam算法，关键字var_list表明最小化损失函数所更新的权重矩阵D_solver=tf.train.AdamOptimizer().minimize(D_loss,var_list=theta_D)G_solver=tf.train.AdamOptimizer().minimize(G_loss,var_list=theta_G)GenerativeAdversarialNets(GANS)GAN的优势：1.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）。2.生成对抗式网络框架能训练任何一种生成器网络。大部分其他的框架需要该生成器网络有一些特定的函数形式，比如输出层是高斯的。重要的是所有其他的框架需要生成器网络遍布非零质量（non-zeromass）。生成对抗式网络能学习可以仅在与数据接近的细流形（thinmanifold）上生成点。3.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。4.无需利用马尔科夫链反复采样，无需在学习过程中进行推断（Inference），回避了近似计算棘手的概率的难题。GenerativeAdversarialNets(GANS)GAN的缺点：1.解决不收敛（non-convergence）的问题。目前面临的基本问题是：所有的理论都认为GAN应该在纳什均衡（Nashequilibrium）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。当博弈双方都由神经网络表示时，在没有实际达到均衡的情况下，让它们永远保持对自己策略的调整是可能的【OpenAIIanGoodfellow的Quora】。2.难以训练：崩溃问题（collapseproblem）。GAN的学习过程可能发生崩溃问题（collapseproblem），生成器开始退化，总是生成同样的样本点，无法继续学习。【ImprovedTechniquesforTrainingGANs】3.无需预先建模，模型过于自由不可控。与其他生成式模型相比，GAN这种竞争的方式不再要求一个假设的数据分布，而是使用一种分布直接进行采样sampling，从而真正达到理论上可以完全逼近真实数据，这也是GAN最大的优势。然而，这种不需要预先建模的方法缺点是太过自由了，对于较大的图片，较多的pixel的情形，基于简单GAN的方式就不太可控了。在GAN[GoodfellowIan,Pouget-AbadieJ]中，每次学习参数的更新过程，被设为D更新k回，G才更新1回，也是出于类似的考虑。OUTLINEGenerativeAdversarialNets(GANS)DeepConvolutionalGenerativeAdversarialNetworks（DCGAN）ConditionalGenerativeAdversarialNets（CGAN）ConditionalGenerativeAdversarialNets（CGAN）ConditionalGenerativeAdversarialNets（CGAN）Inthisworkweintroducetheconditionalversionofgenerativeadversarialnets,whichcanbeconstructedbysimplyfeedingthedata,y,wewishtoconditionontoboththegeneratoranddiscriminator.WeshowthatthismodelcangenerateMNISTdigitsconditionedonclasslabels.Wealsoillustratehowthismodelcouldbeusedtolearnamulti-modalmodel,andprovidepreliminaryexamplesofanapplicationtoimagetagginginwhichwedemonstratehowthisapproachcangeneratedescriptivetagswhicharenotpartoftraininglabels.ConditionalGenerativeAdversarialNets（CGAN）Generativeadversarialnetscanbeextendedtoaconditionalmodelifboththegeneratoranddiscriminatorareconditionedonsomeextrainformationy.ycouldbeanykindofauxiliaryinformation,suchasclasslabelsordatafromothermodalities.Wecanperformtheconditioningbyfeedingyintotheboththediscriminatorandgeneratorasadditionalinputlayer.ConditionalGenerativeAdversarialNets（CGAN）Inthegeneratorthepriorinputnoisepz(z),andyarecombinedinjointhiddenrepresentation,andtheadversarialtrainingframeworkallowsforconsiderableflexibilityinhowthishiddenrepresentationiscomposed.Inthediscriminatorxandyarepresentedasinputsandtoadiscriminativefunction(embodiedagainbyaMLPinthiscase).ConditionalGenerativeAdversarialNets（CGAN）ConditionalGenerativeAdversarialNets（CGAN）OUTLINEGenerativeAdversarialNets(GANS)DeepConvolutionalGenerativeAdversarialNetworks（DCGAN）ConditionalGenerativeAdversarialNets（CGAN）GenerativeAdversarialNets(GANS)GenerativeAdversarialNets(GANS)Inrecentyears,supervisedlearningwithconvolutionalnetworks(CNNs)hasseenhugeadoptionincompute