如何快速理解GAN？这里有一篇最直观的解读

本文授权转自雷克世界（ID：raicworld）

编译 | 嗯~阿童木呀、KABUDA

让我们假设这样一种情景：你的邻居正在举办一场非常酷的聚会，你非常想去参加。但有要参加聚会的话，你需要一张特价票，而这个票早就已经卖完了。

而对于这次聚会的组织者来说，为了让聚会能够成功举办，他们雇佣了一个合格的安全机构。主要目标就是不允许任何人破坏这次的聚会。为了做到这一点，他们在会场入口处安置了很多警卫，检查每个人所持门票的真实性。

考虑到你没有任何武术上的天赋，而你又特别想去参加聚会，那么唯一的办法就是用一张非常有说服力的假票来骗他们。

但是这个计划存在一个很大的bug——你从来没有真正看到过这张门票到底是什么样的。所以，在这种情况下，如果你仅是根据自己的创造力设计了一张门票，那么在第一次尝试期间就想要骗过警卫几乎是不可能的。除此之外，除非你有一个很好的关于此次聚会的门票的复印件，否则你最好不要把你的脸展露出来。

为了帮助解决问题，你决定打电话给你的朋友Bob为你做这个工作。

Bob的任务非常简单。他会试图用你的假通行证进入聚会。如果他被拒绝了，他将返回，然后告诉你一些有关真正的门票应该是什么样的建议。

基于这个反馈，你可以制作一张全新版本的门票，然后将其交给Bob，再去检票处尝试一下。这个过程不断重复，直到你能够设计一个完美的门票“复制品”。

这是一个必须去的派对。而下面这张照片，其实是我其实从一个假票据生成器器网站上拿到的。

对于上面这个小故事，抛开里面的假想成分，这几乎就是生成对抗网络（GAN）的工作方式。

目前，生成对抗网络的大部分应用都是在计算机视觉领域。其中一些应用包括训练半监督分类器，以及从低分辨率图像中生成高分辨率图像。

本篇文章对GAN进行了一些介绍，并对图像生成问题进行了实际实践。你可以在你的笔记本电脑上进行演示。

▌生成对抗网络（Generative Adversarial Networks）

生成对抗网络框架

GAN是由Goodfellow等人于2014年设计的生成模型。在GAN设置中，两个由神经网络进行表示的可微函数被锁定在一个游戏中。这两个参与者（生成器和鉴别器）在这个框架中要扮演不同的角色。

生成器试图生成来自某种概率分布的数据。即你想重新生成一张聚会的门票。

鉴别器就像一个法官。它可以决定输入是来自生成器还是来自真正的训练集。这就像是聚会中的安保设置，比将你的假票和这正的门票进行比较，以找到你的设计中存在的缺陷。

我们将一个4层卷积网络用于生成器和鉴别器，进行批量正则化。对该模型进行训练以生成SVHN和MNIST图像。以上是训练期间SVHN（上）和MNIST（下）生成器样本

总而言之，游戏如下：

• 生成器试图最大化鉴别器将其输入错认为正确的的概率。
• 鉴别器引导生成器生成更逼真的图像。

在完美的平衡状态中，生成器将捕获通用的训练数据分布。结果，鉴别器总是不确定其输入是否是真实的。

摘自DCGAN论文。生成器网络在这里实现。注意：完全连接层和池化层的不存在

在DCGAN论文中，作者描述了一些深度学习技术的组合，它们是训练GAN的关键。这些技术包括：（i）所有的卷积网络；（ii）批量正则化（BN）。

第一个强调的重点是带步幅的卷积（strided convolutions），而不是池化层：增加和减少特征的空间维度；第二个是，对特征向量进行正则化以使其在所有层中具有零均值和单位方差。这有助于稳定学习和处理权重不佳的初始化问题。

言归正传，在这里阐述一下/实施细节，以及GAN的相关知识。我们提出了深度卷积生成对抗网络（DCGAN）的实现。我们的实现使用的是Tensorflow并遵循DCGAN论文中描述的一些实践方法。

▌生成器

该网络有4个卷积层，所有的位于BN（输出层除外）和校正线性单元（ReLU）激活之后。

它将随机向量z（从正态分布中抽取）作为输入。将z重塑为4D形状之后，将其馈送到启动一系列上采样层的生成器中。

每个上采样层都代表一个步幅为2的转置卷积（Transpose convolution）运算。转置卷积与常规卷积类似。

一般来说，常规卷积从宽且浅的层延展为更窄、更深的层。转移卷积走另一条路。他们从深而窄的层次走向更宽更浅。

转置卷积运算的步幅定义了输出层的大小。在“相同”的填充和步幅为2时，输出特征的大小将是输入层的两倍。

发生这种情况的原因是，每次我们移动输入层中的一个像素时，我们都会将输出层上的卷积内核移动两个像素。换句话说，输入图像中的每个像素都用于在输出图像中绘制一个正方形。

将一个3x3的内核在一个步幅为2的2x2输入上进行转置，就相当于将一个3x3的内核在一个步幅为2的5x5输入上进行卷积运算。对于二者，均不使用填充“有效”

简而言之，生成器开始于这个非常深但很窄的输入向量开始。在每次转置卷积之后，z变得更宽、更浅。所有的转置卷积都使用5x5内核的大小，且深度从512减少到3——代表RGB彩色图像。

def transpose_conv2d(x, output_space):
    return tf.layers.conv2d_transpose(x, output_space, 
      kernel_size=5, strides=2, padding='same',
      kernel_initializer=tf.random_normal_initializer(mean=0.0,
                                                      stddev=0.02))

最后一层通过双曲正切（tanh）函数输出一个32x32x3的张量——值在-1和1之间进行压缩。

这个最终的输出形状是由训练图像的大小来定义的。在这种情况下，如果是用于SVHN的训练，生成器生成32x32x3的图像。但是，如果是用于MNIST的训练，则会生成28x28的灰度图像。

最后，请注意，在将输入向量z馈送到生成器之前，我们需要将其缩放到-1到1的区间。这是遵循使用tanh函数的选择。

def generator(z, output_dim, reuse=False, alpha=0.2, training=True):
    """
    Defines the generator network
    :param z: input random vector z
    :param output_dim: output dimension of the network
    :param reuse: Indicates whether or not the existing model variables should be used or recreated
    :param alpha: scalar for lrelu activation function
    :param training: Boolean for controlling the batch normalization statistics
    :return: model's output
    """
    with tf.variable_scope('generator', reuse=reuse):
        fc1 = dense(z, 4*4*512)
        # Reshape it to start the convolutional stack
        fc1 = tf.reshape(fc1, (-1, 4, 4, 512))
        fc1 = batch_norm(fc1, training=training)
        fc1 = tf.nn.relu(fc1)
        t_conv1 = transpose_conv2d(fc1, 256)
        t_conv1 = batch_norm(t_conv1, training=training)
        t_conv1 = tf.nn.relu(t_conv1)
        t_conv2 = transpose_conv2d(t_conv1, 128)
        t_conv2 = batch_norm(t_conv2, training=training)
        t_conv2 = tf.nn.relu(t_conv2)
        logits = transpose_conv2d(t_conv2, output_dim)
        out = tf.tanh(logits)
        return out

▌鉴别器

鉴别器也是一个包含BN（除了其输入层之外）和leaky ReLU激活的4层CNN。许多激活函数都可以在这种基础GAN体系结构中进行良好的运算。但是leaky ReLUs有着非常广泛的应用，因为它们可以帮助梯度在结构中更轻易地流动。

常规的RELU函数通过将负值截断为0来工作。这样做的效果是阻止梯度流通过网络。leaky ReLU允许一个小负值通过，而非要求函数为0。也就是说，函数用来计算特征与小因素之间的最大值。

def lrelu(x, alpha=0.2):
     # non-linear activation function
    return tf.maximum(alpha * x, x)

leaky ReLU表示了一种解决崩溃边缘ReLU问题的尝试。这种情况发生在神经元陷于某一特定情况下，此时ReLU单元对于任何输入都输出0。对于这些情况，梯度完全关闭以通过网络回流。

这对于GAN来说尤为重要，因为生成器必须学习的唯一方法是接受来自鉴别器的梯度。

（上）ReLU，（下）leaky ReLU激活函数。 请注意，当x为负值时， leaky ReLU允许有一个小的斜率

这个鉴别器首先接收一个32x32x3的图像张量。与生成器相反的是，鉴别器执行一系列步幅为2的卷积。每一种方法都是通过将特征向量的空间维度缩小一半，从而使学习过滤器的数量加倍。

最后，鉴别器需要输出概率。为此，我们在最后的逻辑（logits）上使用Logistic Sigmoid激活函数。

def discriminator(x, reuse=False, alpha=0.2, training=True):
    """
    Defines the discriminator network
    :param x: input for network
    :param reuse: Indicates whether or not the existing model variables should be used or recreated
    :param alpha: scalar for lrelu activation function
    :param training: Boolean for controlling the batch normalization statistics
    :return: A tuple of (sigmoid probabilities, logits)
    """
    with tf.variable_scope('discriminator', reuse=reuse):
        # Input layer is 32x32x?
        conv1 = conv2d(x, 64)
        conv1 = lrelu(conv1, alpha)
        
        conv2 = conv2d(conv1, 128)
        conv2 = batch_norm(conv2, training=training)
        conv2 = lrelu(conv2, alpha)
        
        conv3 = conv2d(conv2, 256)
        conv3 = batch_norm(conv3, training=training)
        conv3 = lrelu(conv3, alpha)
        
        # Flatten it
        flat = tf.reshape(conv3, (-1, 4*4*256))
        logits = dense(flat, 1)
        
        out = tf.sigmoid(logits)
        return out, logits

需要注意的是，在这个框架中，鉴别器充当一个常规的二进制分类器。一半的时间从训练集接收图像，另一半时间从生成器接收图像。

回到我们的故事中，为了复制聚会的票，你唯一的信息来源是朋友Bob的反馈。换言之，Bob在每次尝试期间向你提供的反馈的质量对于完成工作至关重要。

同样的，每次鉴别器注意到真实图像和虚假图像之间的差异时，都会向生成器发送一个信号。该信号是从鉴别器向生成器反向流动的梯度。通过接收它，生成器能够调整其参数以接近真实的数据分布。

这就是鉴别器的重要性所在。实际上，生成器将要尽可能好地产生数据，因为鉴别器正在不断地缩小真实和虚假数据的差距。

▌损失

现在，让我们来描述这一结构中最棘手的部分——损失。首先，我们知道鉴别器收集来自训练集和生成器的图像。

我们希望鉴别器能够区分真实和虚假的图像。我们每次通过鉴别器运行一个小批量（mini-batch）的时候，都会得到逻辑（logits）。这些是来自模型的未缩放值（unscaled values）。

然而，我们可以将鉴别器接收的小批量（mini-batches）分成两种类型。第一种类型只由来自训练集的真实图像组成，第二种类型只包含由生成器生成的假图像。

def model_loss(input_real, input_z, output_dim, alpha=0.2, smooth=0.1):
    """
    Get the loss for the discriminator and generator
    :param input_real: Images from the real dataset
    :param input_z: random vector z
    :param out_channel_dim: The number of channels in the output image
    :param smooth: label smothing scalar
    :return: A tuple of (discriminator loss, generator loss)
    """
    g_model = generator(input_z, output_dim, alpha=alpha)
    d_model_real, d_logits_real = discriminator(input_real, alpha=alpha)
    
    d_model_fake, d_logits_fake = discriminator(g_model, reuse=True, alpha=alpha)
    
    # for the real images, we want them to be classified as positives,  
    # so we want their labels to be all ones.
    # notice here we use label smoothing for helping the discriminator to generalize better.
    # Label smoothing works by avoiding the classifier to make extreme predictions when extrapolating.
    d_loss_real = tf.reduce_mean(
    
        tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_real, labels=tf.ones_like(d_logits_real) * (1 - smooth)))
    # for the fake images produced by the generator, we want the discriminator to clissify them as false images,
    # so we set their labels to be all zeros.
    d_loss_fake = tf.reduce_mean(
    
        tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake, labels=tf.zeros_like(d_model_fake)))
    # since the generator wants the discriminator to output 1s for its images, it uses the discriminator logits for the
    # fake images and assign labels of 1s to them.
    g_loss = tf.reduce_mean(
    
        tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake, labels=tf.ones_like(d_model_fake)))
   
    d_loss = d_loss_real + d_loss_fake
    
    return d_loss, g_loss

由于两个网络同时进行训练，因此GAN需要两个优化器。它们分别用于最小化鉴别器和发生器的损失函数。

我们希望鉴别器输出真实图像的概率接近于1，输出假图像的概率接近于0。要做到这一点，鉴别器需要两部分损失。因此，鉴别器的总损失是这两部分损失之和。其中一部分损失用于将真实图像的概率最大化，另一部分损失用于将假图像的概率最小化。

比较真实（左）和生成的（右）SVHN样本图像。

虽然有些图像看起来很模糊，且有些图像很难识别，但值得注意的是，数据分布是由模型捕获的

在训练开始的时候，会出现两个有趣的情况。首先，生成器不清楚如何创建与训练集中图像相似的图像。其次，鉴别器不清楚如何将接收到的图像分为真、假两类。

结果，鉴别器接收两种类型截然不同的批量（batches）。一个由训练集的真实图像组成，另一个包含含有噪声的信号。随着训练的不断进行，生成器输出的图像更加接近于训练集中的图像。这种情况是由生成器学习组成训练集图像的数据分布而造成的。

与此同时，鉴别器开始真正善于将样本分类为真或假。结果，这两种小批量（mini-batch）在结构上开始相互类似。因此，鉴别器无法识别出真实或虚假的图像。

对于损失，我们认为，使用具有Adam算法的vanilla交叉熵（vanilla cross-entropy）作为优化器是一个不错的选择。

比较real（左）和Generate（右）MNIST示例图像。

由于MNIST图像具有更简单的数据结构，因此与SVHN相比，该模型能够生成更真实的样本

目前，GANs是机器学习中最热门的学科之一。这些模型具有解开无监督学习方法（unsupervised learning methods）的潜力，并且可以将ML拓展到新领域。

自从GANs诞生以来，研究人员开发了许多用于训练GANs的技术。在改进过后的GANs训练技术中，作者描述了图像生成（image generation）和半监督学习（semi-supervised learning）的最新技术。

如果你想对这些问题有更深入的理解，我推荐文章：《对抗模型》

《对抗模型》 https://blog.openai.com/generative-models/#gan

同样，看一看《利用GAN实现半监督学习》这篇文章以了解半监督学习的应用。

《利用GAN实现半监督学习》 https://towardsdatascience.com/semi-supervised-learning-with-gans-9f3cb128c5e

原文来源：freeCodeCamp 作者：Thalles Silva 原文链接：https://medium.freecodecamp.org/an-intuitive-introduction-to-generative-adversarial-networks-gans-7a2264a81394