通俗易懂生成对抗网络GAN原理（一）

生成对抗网络（Generative Adversarial Network, GAN）

学习李宏毅机器学习课程总结。

前言

生成式网络有什么特别的地方呢？
之前我们学到的神经网络就是一个函数，输入一个向量x（序列，图片，文本…），输出一个y（数值，类别，序列…）现在特别的地方就是，不仅输入x，还得输入一个随机变量z，z是从某一个分布中取样出来的，所以每次取样出来的z都是随机的。但要求这个z的分布够简单，就是你知道它的概率分布的公式是什么，比如高斯分布。

为什么输入要额外有个z呢？
随着你每次输入的z不同，这时候网络的输出就不再是一个单一的固定的东西，而是变成一个复杂的分布，这种能够输出一个复杂分布的网络，就叫做生成器generater。

那网络Network怎么同时处理x和z呢？
有很多不同做法，就看你怎么设计Network，比如可以把x和z向量接起来，变成一个比较长的向量输入；再比如你的x和z的长度正好一样，把他们相加起来当作输入。

常见的生成式模型：
VAE, Flow-based model，GAN…
(目前GAN的效果最好)

概述

1. 为什么要训练一个生成器generater？

输入x，输出y，这样固定的输入输出不好吗？为什么要输出一个分布？
下面看一个例子：
预测小精灵游戏接下来的游戏画面什么样，知道过去的游戏画面的视频，比如知道前三帧图片，预测第四帧的画面。
那怎么输出这张图片？一张图片可以看作是一个很长的向量，把这个向量整理成图片后，与目标图片越接近越好。

用监督式学习的方法来训练的话，会有什么问题？
就是在分岔路口，小精灵会分裂成两个，一个向左一个向右转，为什么会这样呢？因为我们的训练集数据中，向左向右的图片都有，机器学的是，他要有个输出，满足同时距离向左转和向右转最近，所以机器只能同时向左向右，就导致了错误。

那怎么解决上面这个问题呢？
就是让机器不是输出一个固定的值，而是输出是有机率的，即输出一个分布。这样就可以解决这个世界很多不可预测的东西。
这样的话，比如机器就会学到，z=0，向左转的概率大，z=1向右转概率大。

什么任务我们需要用到这样的生成器网络呢？
当任务需要创造力的时候。
当同样的输入会有不同种可能的输出，这些输出都是对的。

例子1：画一个红眼睛的人

例子2：聊天机器人

2. GAN的简要介绍

GAN的种类：

GAN简介

首先看一个简单例子，用GAN生成一个二次元图像。
这里用到的是：
非条件GAN，Unconditional generation

假设图片大小64✖64，要输出64✖64✖3这么长的高维向量，输入的z是从正太分布中采样的一个低维向量，比如50或100维自己定的。
为什么z是正态分布？也可以是别的，只要是个简单分布就行，生成器会把它变成一个复杂的分布。

生成器（Generator, G）：

判别器（Discriminitor, D）：

生成器和判别器都是个架构，至于用什么模型，如CNN还是trasformer，根据自己任务自己决定。

GAN的基本思想：
博弈，对抗（adversarial）。
枯叶蝶（生成器）防止被吃掉，不断进化；比比鸟（判别器）为了生存，要抓蝴蝶吃，不断进化。

那怎么让生成器学习画出二次元人物呢？
第一代的生成器G，参数很随机就，画出来的就是很杂很模糊的图，第一代的判别器D判断是不是真实的二次元，可能就根据有没有眼睛判断；第二代G就产生眼睛出来，骗过第一代D，但第二代D会继续试图找差异，看有没头发嘴巴；第三代G又进化，加上了头发嘴巴…

G和D可以看作亦敌亦友的合作关系。写作敌人，念作朋友。

GAN的训练

G和D就是两个神经网络。
训练前，先初始化参数。

第一步：
固定G，更新D。网络上爬一些二次元人物图片作为Database，随机从高斯分布的数据中取样一些数据输入G，出来很模糊的图片。

把G输出结果和真正的二次元图片输入给D，让D判断。D做分类，真实的输出1，生成的输出0。若看作回归问题，就让D做预测，预测是1还是0，都可以。

第二步：
固定D，训练G。调整G的参数，让D打分的值越高越好。越高分意味着输出的图片越来越真实。

具体操作其实是这样，把G和D直接连接起来，看成一个大网络，其中的一个隐层的输出很大（等于图片的像素点数），也就是原来的输出图片。但不调后面D的几层，只调前面。可以用梯度下降等。

第三步：
反复训练G和D。

注：当我们不断调整G的内插值，比如最后一行，随着值的增大，机器学到让严肃变微笑，男人变女人；倒数第二行，机器学到左右转向等等。

然，机器也会产生一些不知道的东西，如网球和狗。

GAN的理论

训练目标

对于生成式模型，我们的训练目标是什么？
在训判别式模型时，我们是定义一个损失函数，然后梯度下降去最小这个损失函数就可以了，那生成式模型中呢？我们希望找一个G，这个G输出的分布PG与目标分布Pdata越接近越好。那用什么度量分布函数相似度，用散度Divergence，让散度最小。

找一个G，本质就是找一组G里的参数，一大堆weight和bias，让分布PG与目标分布Pdata的散度越小越好。L就是损失函数。

那怎么计算这个散度呢？
我们知道一些常见的散度，如KL散度，JS散度等，这种散度用在这些连续分布上面，实做上很复杂很复杂的积分如何计算？这个就是G要解决的问题。

虽然不知道PG与Pdata具体概率分布，但只要能从PG与目标分布Pdata中采样数据出来，生成器G就有办法最小化他们的散度。

最小化散度还要靠判别器D：
D看到来自Pdata（蓝星）的数据，就打高分；来自PG（黄星）的数据，就打低分。分辨真的图和生成的图。

也可以当作优化问题：

D的目标函数：
如果y是从Pdata采样出来的，则期望越大越好；如果y是从PG采样出来的，则期望越小越好。
找一个D，能让V函数最大

当然，目标函数也可以有其他写法，但最早年写成这个样子，是有个明确的理由：是为了把D和分类扯上关系。等同于训练一个二元分类器。

早期人们只是按分类器的思想设计D，神奇的是，最大化V(D, G)通过一系列推导，发现和JS散度有关联。
详细推导看：paper

原始目标就是最小化散度，但难在不知道这个散度如何计算。但是，当我们知道最大化V(D, G)和JS散度是有关联的，那么，最小散度Div(PG, Pdata)就相当于最大V(D, G)，那是不是就可以替换呢？

替换后，得到：

这个式子就可以根据如下算法求解

为什么是和JS散度相关？而不是别的散度？
当然也可以是别的散度，不同的散度只要对应不同的目标函数就可以。这篇文章有详细说明：散度paper

但是，GAN很不好train…

训练技巧

GAN的训练小技巧，有很多，我们挑一个最知名的WGAN 。

首先考虑一下，用JS散度有什么问题吗？

PG和Pdata最主要的特性是什么？PG和Pdata重叠的部分非常少。
理由1：数据的本身的属性。图片是高维空间的一个点，是高维空间里低维空间的manifold（一个簇，流行）。比如在高维空间随便采样一个点，它通常都不是二次元人物，所以高维空间中二次元人物图的分布是非常狭窄的，非常小的范围。
以二维空间为例，PG和Pdata可以看作两条线，除非刚好重合，不然它们重合的部分很少，可以忽略不计。

理由2：采样。哪怕就假设PG和Pdata有重叠，但如果采样的点不够多，对D来说，他仍可以完全分开。

PG和Pdata重叠的部分非常少，和JS散度有什么关系？
如果两个分布不重叠，它们的JS散度就等于log2。即使两个分布很接近，也是log2，所以无法度量两个分布的相距程度。

比如下图第2种情况明明比第一种好，分布更接近，但JS度量出来都是log2。所以用二分类D准确率很容易是100%，这是没有意义的，因为不知道什么时候G越来越好，无法提升G。

那JS散度在GAN种的问题，怎么解决？
有人提出Wassertein distance。

如下图，有两个分布P和Q，想让P的分布变成Q的一样。

有无穷多种方法，但是有个用的平均距离最小的方法。选最短的距离作为Wassertein distance（W）。

那么随着PG和Pdata越来越接近，W的值会越来越小，d1<d0。

Wassertein distance的计算：

最关键的一点：其中D必须是个足够平滑的函数，不能是变动很剧烈的函数。
为什么呢？没有这个约束，real的值就会正无穷，generated的值就会负无穷，这条红色曲线就完全把左右分类，这又和JS散度的问题一样了，当保证红线必须平滑，就不会出现这种极端情况。

怎么实现 D必须是个足够平滑的函数 这个约束？
举例如下三篇论文的方法。

虽然有了WGAN，但GAN仍然很难train，因为只要G或D其中一个没训好，另一个也会失败。G和D互动的过程是自动的，希望D的loss一直在下降，如果没有下降，就说明训练失败了。

网上还有很多训练GAN的技巧Tips：

GAN在序列生成上的应用

训GAN最难的，就是让GAN生成一段文字。
因为无法做梯度下降（某个参数变化的时候，对目标造成了多大的影响），因为无法微分，当Decoder参数有一点变化的时候，输出的分布改变一点，但对分数最大的max token没有影响，所以对D的输出没有改变。

怎么办？
可以用强化学习（Reinforce learning, RL）强制训练，但RL也很难训，GAN也难训，难到一块了，非常难训。
很长一段时间没人能解决。

GAN的评估

早年的时候，就是用人眼看，看生成的数据怎么样。
但成本很高，且太主观。

客观评价：
把结果输入一个图片分类器。

这种评估方法存在什么问题？
生成资料的多样性问题。

• Model Collapse问题。模型崩塌。
  生成的总是那几张图片，如下图右面，生成的同一张脸越来越多。
  

• Model Dropping问题。
  生成的资料多样性貌似也够，但可能只是真实资料多样性的一部分。这种很难侦测到。
  看着人脸种类挺多，但不同迭代次时，人脸还是类似，只是肤色变了。

那怎么评判G产生图片的多样性够不够？
比如生成1000张图片，输入多个分类器，求分类平均值。

如果平均后的分布非常集中，说明很多图片之间都挺像的，说明多样性不够。

但如果平均后的分布也很平均很平坦，说明每种类型都涉及了，多样性够了。

有个常用的分数Inceptioan Score（IS):
输出图片质量越好，多样性多，IS值就大。

但有时候不适合IS，比如生成二元人脸，都是人脸，多样性算出来其实是小的。

还有个评估参数FID：
拿进入softmax之前的向量，最后一层隐藏层的输出。假设它们是高斯分布，计算其相似性FID，越小越好。

但假设是高斯分布也是有问题的。所以要结合FID和生成图像一起看效果。

但还有一种情况，生成的图片和训练资料里的一模一样。
这时候就很难侦测。

当然你说可以计算图片相似度，但要是只是学了把脸转向了一下，看着还以为生成的新图片，其实不是，相似度也测不出来。

还有很多评估的方法：

条件GAN（Conditional Generation）

上面的学习关注点都是从一个简单的分布如高斯中随机sample数据输入，现在重点考虑如何操控输入的x。

条件GAN有什么应用？
如文字对图片，这是一个监督学习，输入文字描述，输出图片。

输入红头发，绿眼睛，就会生成想要的图片。

怎么给G输入一段文字呢？
有很多方法，比如你可以用RNN读一段文字，得到输出的向量丢到Ｇ里去；要么用transformer的encoder，把输出的向量平均起来输给G。

基本理论

按GAN之前的理论，D不需要管G输入什么，反正它的任务就是看图片真不真实，而G的目标是骗过D就行，G只要生成的图片不模糊真实就行，这样导致G也懒得去看输入x，显然这并不是我们想要的。

所以条件GAN要有点改进：
让x和G的输出y，同时输入给D，让它判断y真不真实，并且还要判断y和x匹不匹配。

注意：训练集还得放些x和y不匹配的数据，即放真实的图片，但文字压根和图片无关。

其他应用

应用一：
输入图片，输出图片。这类任务叫作Imagine Translation任务，或pix2pix。

如输入房屋设计图，产生出完整的房屋图片。

输入轮廓，输出真实。

输入黑白图片，让它上色。

输入素描图，输出实物图。

输入白天或起雾的图片，产生真实的图片。

那这种任务具体怎么做呢？
输入x就是图片。

这种任务可以用监督式学习，但有文献说这种方式效果不好，如下图，很模糊，可能是因为同样的输入，对应很多不同可能的输出，所以机器会把他平均起来，得到的结果就比较模糊。

如果用GAN去训的话，下面左图，可以看到GAN的想象力太丰富了，自己创造了一张图；但我们想要的是和目标图片越像越好，那就可以GAN+监督式学习，进行联合训练，得到如下右图。

联合训练流程图：

应用二：
输入一段声音，如狗叫声，输出一张狗的图片。

首先 ，需要声音和图片成对的资料，可以从视频里面爬，视频里有图片，有声音信号，每一帧的画面对应一小段的声音。

为了避免机器没有真正学到东西，只是把训练资料的数据拿出来，所以把声音调大，看图片是否变化。

应用三：
产生会动的图片Talking Head Generation。
之前抖音上比较火的，上传一张人脸照片，会让脸动起来。

GAN从非平行数据中学习

learning from unpaired data
GAN 用在非监督学习上。如风格迁移。

有一堆数据x域，一堆数据y域，但x和y是不成对的。比如风格迁移，把真人头像转成二次元头像。在完全没有成对资料额情况下，机器该怎么学习？

如果只套用一般的GAN模型，把原来从高斯分布采样的数据换成采样真实人像图片就可以了，但这样有什么问题吗？

G发现只要随便生成一张二次元图像就可以骗过D，所以同一个输入测试几次的输出不同，因为G完全不管你输入是什么，没有条件约束G必须学输入的特征，所以它输出的东西就和输入没什么关系。

这个问题是不是和条件GAN里的类似？那这里能否用条件GAN呢？
不能，因为条件GAN里解决该问题是看输入和输出是否匹配，而这里全是非成对数据，没办法知道哪些匹配。

那怎么解决呢？cyclegan。

Cycle GAN

如下图，输入，经过两个G，两次转换以后输出，希望输入和输出这两张图片越像越好（它们向量的距离越近越好，循环一致性）。这样对输入就有了限制，G就不能随便生成了。

比如戴眼镜的人，它起码学到二次元人物也有眼镜。

但，会不会第一个G学到把眼睛变成痣，第二个G又把痣变回眼镜？或更极端情况，两个G都是学到把图片反转，这种情况怎么侦察？
理论上是有这样的情况，但实做中，网络一般很懒，都是先学简单的东西，看到眼镜，它也会转成眼镜，不会专门转成别的像痣这么复杂的过程。

把这个网络做成双向的，就叫做Cycle GAN。

还有很多其他的GAN，也能做风格迁移。在同一时间，很多团队提出了类似的想法，那这些GAN有什么区别呢？除了名字不同，原理都是一样。

StarGAN

风格迁移更进阶的一种模型。CycleGAN只能在两种风格之间做转换，StarGAN厉害的地方在于它能在多种风格间转换。
具体原理可以网上搜。

其他应用

不仅能做图片间风格转换，还可以做文本间转换。

文字风格转换。如正负面句子转换，也可以用Cycle GAN。seq2seq如可以用transformer模型。

搜集一堆正负面的句子，只是成对的资料没有。
不是前面说文字输入D会有问题吗？用强化学习RL硬做。

文字风格转换的其他应用：

• 长文章取摘要。
  

• 非监督翻译。爬一堆英文文本，爬一堆中文文本，之间不成对不相关。Cycle GAN硬做。
  

• 非监督ASR。爬一堆声音，爬一堆文字，之间不成对。Cycle GAN硬做。