【GANs学习笔记】（三）GANs理论基础

最新推荐文章于 2024-10-08 22:23:59 发布

bupt_gwy

最新推荐文章于 2024-10-08 22:23:59 发布

阅读量2.2k

点赞数 3

分类专栏： GANs学习笔记文章标签： GANs理论

本文链接：https://blog.csdn.net/a312863063/article/details/83551896

版权

GANs学习笔记专栏收录该内容

26 篇文章 123 订阅

订阅专栏

完整笔记：http://www.gwylab.com/note-gans.html
——————————————————————-

第二章 GANs的理论与提升

本章会介绍一些与提升和改进GANs相关的paper，这涉及到一些与GANs理论相关的知识，在第一部分会用较简短的话语介绍一些GANs的相关核心理论，第二部分是GANs存在的一些缺陷和改进手段，第三部分会介绍一个很有趣的paper――fGAN，它能帮助我们更深的理解GANs的算法思想，第四部分开始就是更多的paper，它们会用到一些很有意思的tricks去提升和改进GANs。

1. GANs相关理论

GANs本质上在做的事情是什么？

我们假设把每一个图片看作二维空间中的一个点，并且现有图片会满足于某个数据分布，我们记作P_data(x)。以人脸举例，在很大的一个图像分布空间中，实际上只有很小一部分的区域是人脸图像。如上图所示，只有在蓝色区域采样出的点才会看起来像人脸，而在蓝色区域以外的区域采样出的点就不是人脸。今天我们需要做的，就是让机器去找到人脸的分布函数。具体来说，就是我们会有很多人脸图片数据，我们观测这些数据的分布，大致能猜测到哪些区域出现人脸图片数据的概率比较高，但是如果让我们找出一个具体的定义式，去给明这些人脸图片数据的分布规律，我们是没有办法做到的。但是如今，我们有了机器学习，希望机器能够学习到这样一个分布规律，并能够给出一个极致贴合的表达式。

在GANs出现之前，人们采用的方法是Maximum Likelihood Estimation。

简单来说，就是我们有一个生成器和一组参数 θ，我们还有从真实分布P_data(x)中sample出的数据{},我们不知道数据的真实分布具体长什么样，但是我们希望不断地调整和θ，让越接近越好。具体的做法是，对于每一组参数θ和真实分布的抽样，我们能够计算出参数θ下的生成器生成该真实抽样的likelihood，于是我们希望找到一个最佳的参数组,使得生成器的结果最接近，也就是对于每个真实抽样的likelihood都最大，这等价于所有真实抽样的likelihood的乘积最大，那原始问题就转换为如下这个最大似然问题：

下面我们需要求解这个maximizing the likelihood问题，我们先证明，它其实等价于求minimize KL divergence（KL divergence是一个衡量两个分布之间的差异的计算式）问题。

首先我们加上一个对数log，将累乘转化为累加问题。然后再将累加转化为期望问题

然后这个期望也就是积分问题：

因为是arg max，后面可以再补上一项：

补完之后的式子便刚好等价于与的KL Divergence的最小化求解。

现在这个KL Divergance的最小化问题如何求解呢？我们不介绍传统的数学方法求解了，我们下面考虑引用neural network。

我们把这个neural network称作generator。通过上述的分析我们知道，我们需要训练出这样的generator，对于一个已知分布的数据z，它可以把数据z转化成一个未知分布的数据x，这个未知分布可以与z所在的分布完全不一样，我们把它称作，并且我们希望与之间的Divergence越小越好。如果能找到这样的，那也就意味着我们找到了真实数据分布的近似解，也就意味着我们能够生成各种各样符合真实分布规律的数据。

现在一个最关键的问题是，这个Divergence要如何计算出来呢？理论上来说我们不知道是什么，我们也不知道是什么，因此Divergence是我们无法计算的。但是，人无法计算的东西，交给神经网络或许就知道如何计算了。于是，我们新建了一个neural network，专门来量与之间的Divergence，这个neural network，就叫做Discriminator。

如上图所示，蓝色星星是从中sample出的数据，黄色星星是从中sample出的数据，现在交给Discriminator去判别读入数据是来自还是，实际上就是在衡量与之间的Divergence，因为如果二者之间的Divergence越大，Discriminator就会给的数据更低的分数，给的数据更高的分数；而如果二者之间的Divergence越小，Discriminator就会给二者的分数越接近；当与完全一致时，也就是Divergence=0时，

Discriminator给二者的分数就都是0.5了。

当然，上述只是我们直观上觉得说，Discriminator是与Divergence有关的，下面我们需要用数学方法证明：Discriminator真的可以衡量Divergence的值。我们先来看一下Discriminator的目标式：

这个式子很好理解，如果来源x~，D(x)尽可能高；如果来源x~，D(x)尽可能低。下面我们求解一下这个目标式。

首先将目标式转化为一个积分：

我们假设D(x)可以是任意函数。那么现在这个表达式，对于所有的x，计算出一个表达式，使得所有表达式的积分求和最大，这等价于，如果对于每一个表达式，我们能找到一个D的取值，使得这个表达式的最大，那么最终所有表达式的积分求和也最大，即：

这个方程的求解非常容易，最后的结果是;

现在把代入到目标表达式中得到：

进一步变形（分子分母同除以2），转化为：

这个表达式等价为：

至此，我们证明了，最大化V（G，D）问题的求解实际上就是在求解与之间JS Divergence的值（与前面提到的KL Divergence可以认为是等效的）。

于是，我们可以再回到Generator要解决的问题上：

Generator的目的，是让产生数据与真实数据之间的Divergence最小，本来Divergence是没有办法计算的，但是现在有了Discriminator之后，Divergence变得可以计算了，于是Generator的新的目标表达式变为：

接下来我们需要求解这个表达式。值得注意的是，在实际的网络训练中，discriminator与generator是交替训练的，并且是先训练discriminator再训练generator，因此，当generator需要求解上述表达式的时候，discriminator是已经训练好的，于是这个式子就可以写成L(G),目标表达式就转化成：

这是一个最初级的目标表达式，用基本的gradient descent就能求解：

综上，我们求解出了Disciminator，然后我们也求解出了Generator，下面我们先用一个完整的算法来回顾一下这整套流程，然后我们会反思目前的这套架构是否已经是完美的。

第一个部分是训练discriminator，先从真实数据分布中抽样，然后从先验分布中抽样z，并通过generator产生仿造数据,接着把和丢入discriminator中训练，使得目标函数最大；第二个部分是训练generator，从先验分布中抽样新的z，接着把丢入generator中训练，使得目标函数最小。这样循环交替，最终generator产生的数据就会越来越接近真实数据。