WGAN的介绍

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了WGAN的介绍相关的知识,希望对你有一定的参考价值。

参考技术A GAN模型由生成式模型(generative model)和判别式模型(discriminative model)充当,这里以生成图片为例进行说明。它们的功能分别是:

- 生成模型G是一个生成图片的网络,它接收一个随机的噪声z,通过这个噪声生成图片,记做G(z)。

·判别模型D是用来判别一张图片是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x)代表x为真实图片的概率,如果为1,就代表100%是真实的图片,而输出为0,就代表不可能是真实的图片。

在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。

·不收敛(non-convergence)的问题

·难以训练

      梯度消失(gradient vanishing)

      崩溃问题(mode collapse)

·模型过于自由不可控

参考:

·Goodfellow Ian, Pouget-AbadieJ, Mirza M, et al. Generative adversarialnets[C]//Advances in NeuralInformation Processing Systems. 2014: 2672-2680.

·生成式对抗网络GAN研究进展(二)——原始GAN http://blog.csdn.net/solomon1558/article/details/52549409

主要发展

CGAN(条件生成对抗网络)

针对问题:模型过于自由不可控。

方法:输入更多信息到GAN模型学习,生成更好的样本。

效果:提高生成图像的质量,明确控制图像的某些方面。

参考:【1】Mirza M, Osindero S.Conditional Generative Adversarial Nets[J]. Computer Science, 2014:2672-2680.

【2】生成式对抗网络GAN研究进展(三)——条件GAN

http://blog.csdn.net/solomon1558/article/details/52549409

DCGAN(深度卷积生成对抗网络)

结合了有监督学习的CNN和无监督的GAN

针对问题:GAN训练不稳定,经常生成无意义的输出。

方法:生成模型和判别模型均采用CNN模型,并在结构上做了一些改变。

参考:【1】Radford A, Metz L, Chintala S. Unsupervised representation learningwith deep convolutional generative adversarial networks[J]. arXiv preprintarXiv:1511.06434, 2015.

【2】生成式对抗网络GAN研究进展(五)——Deep Convolutional Generative

Adversarial Nerworks,DCGAN

http://blog.csdn.net/solomon1558/article/details/52573596

WGAN的贡献

原始GAN训练困难的分析

1)训练目标:

x表示真实图片,z表示输入G网络的噪声,而G(z)表示G网络生成的图片。

判别器LOSS(最小化):

生成器LOSS(最小化):

2)训练过程:

· 先固定生成器,训练判别器达到最优,然后训练生成器。

· 利用SGD训练判别器达到最优解为:

训练生成器(在判别器最优时):

A、

最终变换形式:即最小化Pr和Pg之间的JS散度。

结论: 由于P_r与P_g几乎不可能有不可忽略的重叠,所以无论它们相距多远JS散度都是常数log 2,最终导致生成器的梯度(近似)为0,梯度消失。

B、

最终变换形式:

最小化目标分析:

u最小化生成分布与真实分布的KL散度,却又要最大化两者的JS散度,在数值上则会导致梯度不稳定。

uKL散度会造成两种错误:生成器没能生成真实样本(缺乏多样性)

生成器生成不真实样本(缺乏准确性)

小结: 在原始GAN的(近似)最优判别器下,第一种生成器loss面临梯度消失问题,第二种生成器loss面临优化目标荒谬、梯度不稳定、对多样性与准确性惩罚不平衡导致mode collapse这几个问题。

WGAN的内容

Wasserstein距离:

(EM距离)

相比KL散度、JS散度的优越性:即便两个分布没有重叠,Wasserstein距离仍能反映它们的远近。KL散度和JS散度是突变的,Wasserstein距离却是平滑的,可以提供有意义的梯度。

WGAN形式

对偶问题:

要求函数f的导函数绝对值不超过K的条件下,对所有可能满足条件的f取到上式的上界,然后再除以K。

进而,用该距离做GAN的LOSS函数,可得:

生成器loss函数:

判别器loss函数:

可以表示训练进程中,其数值越小,表示真实分布与生成分布的Wasserstein距离越小,GAN训练得越好。

·判别器所近似的Wasserstein距离与生成器的生成图片质量高度相关

总结:EM距离相对KL散度与JS散度具有优越的平滑特性,理论上可以解决梯度消失问题。在此近似最优判别器下优化生成器使得Wasserstein距离缩小,就能有效拉近生成分布与真实分布。WGAN既解决了训练不稳定的问题,也提供了一个可靠的训练进程指标,而且该指标确实与生成样本的质量高度相关。

参考:

【1】M. Arjovsky, S.Chintala, and L. Bottou. Wasserstein gan. ArXiv,2017.

【2】令人拍案叫绝的Wasserstein GAN https://zhuanlan.zhihu.com/p/25071913

以上是关于WGAN的介绍的主要内容,如果未能解决你的问题,请参考以下文章

W-GAN系 (Wasserstein GAN Improved WGAN)

生成式对抗网络模型综述

GAN系列学习——前生今世

更快更稳定:这就是Wasserstein GAN

一文读懂生成式对抗网络模型

深度学习(五十四)图片翻译WGAN实验测试