GANs: 学习生成一维正态分布
本文同步于我的知乎专栏：https://zhuanlan.zhihu.com/p/352126210
本篇文章在 devnag 2018年实现的 GANs 基础之上，修改、适配 PyTorch 1.71 之后，在原代码上添加了注释以及对于部分代码段的个人理解。
首先，这篇文章不是从理论层面对 GANs 的原理进行解读(如果想了解GANs背后的数学原理，请参见 GANs背后的数学原理)；本文从宏观上，由GANs的源码出发，对GANs的程序结构，GANs的实现逻辑以及实现思路进行解读。
Task goal:
本文中，针对数据对象是 一维数据样本(one dimension samples)；
GANs 的实现 目标(goal) 是由 均匀分布(uniform distribution) 生成 高斯正态分布(normal distribution)；即，对服从**均匀分布(uniform distribution)**的数据样本进行采样，对采样得到的数据经 GANs 处理后，生成 高斯正态分布(normal distribution)。
下面将从以下4个部分展开来讲：
- Data Process
1.1 visualize data distribution
1.2 data preprocess
1.3 integration - Network Architecture
2.1 Generator Network Architecture
2.2 Discriminator Network Architecture - Training GANs
3.1 initialize variables
3.2 alternate training G and D - Results evaluation
1. Data Process
1.1 Visualize data distribution(观察输入及目标数据分布)
Input Data:
获取一维 均分分布(uniform distribution) 样本：
def get_generator_input_sampler():
"""
初始生成器(generator)数据分布：采用均匀分布(Uniform), 而非随机噪声, 以保证 Generator必须以非线性方法生成目标数据分布
:return: 生成size为([m, n]), 范围为(0, 1)样本
"""
# 均匀分布
# torch.rand(m, n)
# lambda表达式：匿名函数, lambda 参数: 返回值
return lambda m, n: torch.rand(m, n)
绘制 一维均分分布(uniform distribution) 样本采样点：
def plot_input_distribution(generator_input_data):
"""
绘制输入样本分布
:param generator_input_data: 生成器的输入数据分布
"""
plt.plot(generator_input_data)
plt.xlabel('Value')
plt.ylabel('Count')
plt.ylim(0, int(sum(generator_input_data) / 10))
plt.title('Uniform Distribution of Inputs')
plt.grid(True)
plt.show()
Target Data:
获取一维 正态分布(normal distribution) 样本：
def get_target_distribution_sampler(mu, sigma):
"""
采样目标数据分布的样本
:param mu: 均值
:param sigma: 方差
:return: size=(1, n) 大小的样本
"""
# Gaussian：正态分布、高斯分布
# np.random.normal(mu, sigmoid, size=None)
# size默认为None, 若size为None, 则返回单个样本; 否则(m, n), 则返回: m * n 个样本
# 返回 lambda 表达式：匿名函数, lambda 参数: 返回值
return lambda n: torch.Tensor(np.random.normal(mu, sigma, size=(1, n)))
绘制一维 正态分布(normal distribution) 样本采样点：
def plot_generated_distribution(data_type, generated_fake_data):
"""
绘制生成的目标样本分布
:param data_type: 输入到 鉴别器 D 的数据类别
:param generated_fake_data: 生成器 G 生成的 fake data
"""
values = extract(generated_fake_data)
print("Values: %s" % (str(values)))
plt.hist(values, bins=50)
plt.xlabel('Value')
plt.ylabel('Count')
plt.title(data_type + " Histogram of Generated Distribution")
plt.grid(True)
plt.show()
1.2 data preprocess(数据预处理)
首先，GANs 由 Generator 和 Discriminator 构成；
Generator 接受 一维正态分布(normal distribution)样本 作为 输入(input)；
那么 Discriminator 需要接收什么 输入信息(Input information) 呢 ？
先来想想 Discriminator 需要的 输入信息(Input information) 需要具备什么呢 ？
ans: 这个 输入信息(Input information) 需要清晰明确的反映 目标数据分布(Target Distrubution) 的特点。
那么，什么最能反映数据分布的特点呢？
灵机一动！想到了，数据的**数字特征(numerical_characteristics)**最能反映数据分布的特点！
因此，我们讲目标数据分布(Target Distrubution) 以及 Generator 生成的数据分布(Generated Distrubution) 的 数字特征(numerical characteristics) 作为 判断标准 输入到 Discriminator。
对于 Generator 生成的数据分布(Generated Distrubution) ，Discriminator 打低分(0)；
对于 目标数据分布(Target Distrubution)，Discriminator 打高分(1)！
此处，我们获取数据的4个数字特征，分别是，
1. mean：均值 2. std：标准差 3. skewness: 偏度 4. kurtosis: 峰度
并将其作为 判别标准 输入到 Discriminator 中。
def get_numerical_characteristics(data):
"""
返回数据(data)的 4 个数字特征(numerical characteristics):
1. mean：均值
2. std：标准差
3. skewness: 偏度
4. kurtosis: 峰度
:param data: 数据
:return: 一维数据: torch.Size([4])
"""
mean = torch.mean(data)
diffs = data - mean
var = torch.mean(torch.pow(diffs, 2.0))
std = torch.pow(var, 0.5)
z_scores = diffs / std
# 偏度：数据分布偏斜方向、程度的度量, 是数据分布非对称程度的数字特征
# 定义: 偏度是样本的三阶标准化矩
skewness = torch.mean(torch.pow(z_scores, 3.0))
# excess kurtosis, should be 0 for Gaussian
# 峰度(kurtosis): 表征概率密度分布曲线在平均值处峰值高低的特征数
# 若峰度(kurtosis) > 3, 峰的形状会比较尖, 会比正态分布峰陡峭
kurtoses = torch.mean(torch.pow(z_scores, 4.0)) - 3.0
# reshape(1, )：将常量转化为torch.Size([1])型张量(Tensor)
final = torch.cat((mean.reshape(1, ), std.reshape(1, ), skewness.reshape(1, ), kurtoses.reshape(1, )))
return final
同样的，可以将 原始数据(original data) 及其 L2 norm: ||x-mean||作为判别标准一起输入到 **Discriminator，**使 鉴别器 D 了解更多数据分布的信息。
def decorate_with_diffs(data, exponent, remove_raw_data=False):
"""
L2 norm: ||x-mean||
decorate_with_diffs 作用: 将原始数据(original data)以及 L2 norm 一起返回, 使 鉴别器 D 了解更多目标数据分布的信息
:param data: Tensor: 张量
:param exponent: 幂次
:param remove_raw_data: 是否移除原始数据
:return: torch.cat([data, diffs], dim=1), dim=0, 同型张量(Tensor)按行合并; dim=1, 同型张量(Tensor)按列合并;
"""
# dim=0, 行; dim=1, 列; keepdim: 做 mean后, 保持原数据的维度空间, 即, 原原数据为2维, mean 后仍为2维
mean = torch.mean(data.data, dim=1, keepdim=True)
# 利用广播(broadcast)机制进行张量(Tensor)乘法
mean_broadcast = torch.mul(torch.ones(data.size()), mean.tolist()[0][0])
# data - data.mean[0]
diffs = torch.pow(data - mean_broadcast, exponent)
if remove_raw_data:
return torch.cat([diffs], dim=1)
else:
# diffs: 返回样本数据与样本平均值的偏离程度(可以是n次方(exponent))
# 并将样本的偏离程度信息与原始样本一同输入到神经网络中
return torch.cat([data, diffs], dim=1)
1.3 integration(整合)
def init(flag, remove_raw_data=False):
"""
1. name: 输入到 鉴别器 D 的数据类别
2. d_input_func: 对 Discriminator 的网络输入大小 input_size 进行调整
3. preprocess: 对输入到 Discriminator 数据进行预处理(pre_process), e.g.
3.1. get_numerical_characteristics(data): 返回数据的4个数字特征:
1. mean：均值; 2. std：标准差; 3. skewness: 偏度; 4. kurtosis: 峰度
3.2. decorate_with_diffs(data, exponent, remove_raw_data): 将 data 处理成 diffs; 然后选择是否与 diffs 连接(cat) 后返回
:param flag: flag=0, 采用 decorate_with_diffs, 返回维度为 torch.Size([1, 1]);
flag=1, 采用 get_numerical_characteristics(data), 返回维度为 torch.Size([1]);
:param remove_raw_data: 用来标识 decorate_with_diffs 是否返回 [data, diffs]; 若 remove_raw_data=True,
则 decorate_with_diffs 只返回 diffs; 否则, decorate_with_diffs 返回 [data, diffs]
"""
if flag == 0:
# 返回数据及其数据方差"偏离程度"
(data_type, preprocess, d_input_func) = ("Data and variances",
lambda data: decorate_with_diffs(data, 2.0, remove_raw_data),
lambda x: x if remove_raw_data else x * 2)
elif flag == 1:
# 返回数据及其数据均值"偏离程度"
(data_type, preprocess, d_input_func) = ("Data and diffs",
lambda data: decorate_with_diffs(data, 1.0, remove_raw_data),
lambda x: x if remove_raw_data else x * 2)
elif flag == 2:
# 直接使用原始数据
(data_type, preprocess, d_input_func) = ("Raw data", lambda data: data, lambda x: x)
elif flag == 3:
# 仅使用数据的 4 个数字特征
(data_type, preprocess, d_input_func) = ("Only 4 numerical characteristics",
lambda data: get_numerical_characteristics(data), lambda x: 4)
else:
data_type, preprocess, d_input_func = None, None, None
print("Flag input error!\n")
return data_type, preprocess, d_input_func
2. GANs Network Architecture
2.1 Generator(生成器) Network Architecture
class Generator(nn.Module):
"""
所有神经网络(neural network)都需要继承父类(nn.Module), 并实现方法 1. "__init__"; 2. "forward"
1. __init__：当一个类实例化时, 会自动调用方法 __init__(); 类实例化时的参数会自动传递给 __init__
2. forward(): 继承nn.Module的类实例化后, 类的实例化变量会直接自动调用forward,
此时, 传入的参数会直接传给forward, forward的返回值也会直接返回给对应变量, 即
loss = model(input_data) <==> loss = model.forward(input_data)
实质：不过是 model 又封装了一层, 可以少写一步.forward(input_data)
"""
# 类方法的第一个参数必须是self, 可参见 https://docs.python.org/zh-cn/3/tutorial/classes.html
def __init__(self, input_size, hidden_size, output_size, f):
# 同Java继承机制(子类继承父类的所有属性和方法, 用父类的初始化方法对继承自父类的属性进行初始化)
# 首先找到父类, 然后把self转化为父类对象, 最后"被转换"的父类对象调用自己的init函数
super(Generator, self).__init__()
# nn.Linear(in_features, out_features, bias)：对输入数据应用线性变换
# in_feature, 输入样本size; out_features, 输出样本size; bias: 是否添加添加偏置单元
# 注：map：映射
self.map1 = nn.Linear(input_size, hidden_size)
self.map2 = nn.Linear(hidden_size, hidden_size)
self.map3 = nn.Linear(hidden_size, output_size)
self.f = f
def forward(self, x):
x = self.map1(x)
x = self.f(x)
x = self.map2(x)
x = self.f(x)
x = self.map3(x)
return x
2.2 Discriminator(鉴别器) Network Architecture
class Discriminator(nn.Module):
def __init__(self, input_size, hidden_size, output_size, f):
super(Discriminator, self).__init__()
self.map1 = nn.Linear(input_size, hidden_size)
self.map2 = nn.Linear(hidden_size, hidden_size)
self.map3 = nn.Linear(hidden_size, output_size)
self.f = f
def forward(self, x):
x = self.map1(x)
x = self.f(x)
x = self.map2(x)
x = self.f(x)
x = self.map3(x)
x = self.f(x)
return x
3. Training GANs
3.1 initialize variables(初始化参数变量)
# flag: 标识符
flag = 3
data_type, preprocess, d_input_func = init(flag=flag)
print("Using data [%s]" % data_type)
# 若GPU可用, 则使用GPU; 否则, 使用CPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 打印间隔
print_interval = 100
# 绘图间隔
plot_interval = 500
dfe, dre, ge = 0, 0, 0
d_real_data, d_fake_data, g_fake_data = None, None, None
# 数据参数：均值, 偏差
data_mean = 4
data_stddev = 1.25
# 鉴别器：获取目标数据分布
d_sampler = get_target_distribution_sampler(data_mean, data_stddev)
# 生成器：获取均值分布
g_sampler = get_generator_input_sampler()
# 鉴别器、生成器激活函数
generator_activation_function = torch.tanh
discriminator_activation_function = torch.sigmoid
# 生成器参数
g_input_size = 1
g_hidden_size = 5
# 输出维度为 1
g_output_size = 1
g_steps = 20
G = Generator(input_size=g_input_size,
hidden_size=g_hidden_size,
output_size=g_output_size,
f=generator_activation_function)
# 鉴别器参数
d_input_size = 500
d_hidden_size = 10
# 输出维度为 1
d_output_size = 1
d_steps = 20
# 当使用init()的第1类数据类别时, d_input_func()会根据情况, 调整 鉴别器D 的输入大小为 鉴别器D 的初始输入大小或 2 倍
# 当使用init()的第2类数据类别时, d_input_func()会根据情况, 调整 鉴别器D 的输入大小为 鉴别器D 的初始输入大小或 2 倍
# 当使用init()的第3类数据类别时, d_input_func()会调整 鉴别器D 的输入大小为 鉴别器D 的初始输入大小
# 当使用init()的第4类数据类别时, d_input_func()会调整 鉴别器D 的输入大小为 4, 即, 输入数据的4个数字特征
D = Discriminator(input_size=d_input_func(d_input_size),
hidden_size=d_hidden_size,
output_size=d_output_size,
f=discriminator_activation_function)
# 二元交叉熵(BCELoss function): 计算 输出(output) 与 目标(target) 之间的 距离error(loss)
# loss(output, target)
loss = nn.BCELoss()
# d, g 学习率
d_learning_rate = 1e-3
g_learning_rate = 1e-3
# SGD动量
sgd_momentum = 0.9
# 梯度下降：解决病态曲率同时加快搜索速度的方法(自适应方法)
# Adam、RMSProp、Momentum: 三种主流自适应算法; Adam前景明朗, Momentum更加主流
# Adam更易于收敛到尖锐的极小值, Momentum更可能收敛到平坦的极小值, 通常认为平坦的极小值 好于 尖锐的极小值
d_optimizer = optim.SGD(D.parameters(), lr=d_learning_rate, momentum=sgd_momentum)
g_optimizer = optim.SGD(G.parameters(), lr=g_learning_rate, momentum=sgd_momentum)
# 将mini-batch大小置为discriminator的输入大小
# 目的: 每次都能让鉴别器D看到完整的目标数据分布
# 本文设置 d_input_size = mini-batch_size, 而非 d_input_size = 1; 因为, 如果 D 没有看到real数据的完整分布的话,
# 那么, 则会产生 Ian Goodfellow 2016年在GANs论文中提到的 "collapse to a single mode" 问题;
# 即, 生成器G 最终生成的样本分布均值(mean)是正确的, 但样本分布方差(std)则会非常小
mini_batch_size = d_input_size
# 绘制初始样本分布
generator_input_data = g_sampler(mini_batch_size, g_input_size)
plot_input_distribution(generator_input_data)
d_fake_list = []
3.2 alternate training G and D(交替训练G，D)
成功训练 GANs 需要迭代 5000 个左右 epoch，在每个epoch中分别先后训练 鉴别器(Discriminator) 以及 生成器(Generator) 各 20 steps。
在训练好具有一定能力的 鉴别器(Discriminator) 后，在 鉴别器(Discriminator) 有一定鉴别能力的基础上, 保持 鉴别器(Discriminator) 不动，训练 生成器(Generator)；
训练 生成器(Generator) 具有一定的鉴别能力后，保持 生成器(Generator) 不动，训练 **鉴别器(Discriminator)，**以提高 鉴别器(Discriminator) 的鉴别能力；交替执行，循环往复！
# 迭代周期
num_epochs = 5001
# 不断在 D, G 之间进行交替训练, 通过博弈提高 D, G 的能力
# 每个 epoch 分别交替训练 D, G 20 steps
for epoch in range(num_epochs):
# 训练鉴别器(Discriminator)
for d_index in range(d_steps):
# 1. 分别在在real、fake数据上训练 D
# 注：此处要清楚: D.grad是loss对parameter的导数; 而SGD则是每次更新一小步(step);
# 即, parameter = parameter - dloss/dparameter
# 故, parameter利用PyTorch计算图反向传播填充在parameter.grad中的梯度(grad)进行更新后, 梯度(grad)便失去意义;
# 并且, 因为反向传播的梯度(grad)会累加, 故在进行下一次SGD更新时, 需要清楚上次填充的梯度(grad)
# https://www.yht7.com/news/97242
D.zero_grad()
# 1.1: 在 real data 上训练 D
d_real_data = d_sampler(d_input_size)
# 将变量迁移到 GPU 上
# 只使用 d_real_data.to(device), 变量仍在CPU上
d_real_data = d_real_data.to(device)
d_real_decision = D(preprocess(d_real_data))
# 由于 d_real_decision 可能为 torch.Size([1]) 或 torch.Size([1, 1])
# 故, 先对其进行求和(sum), 然后reshape成torch.Size([1])的张量
# nn.BCELoss(output, target): 以 1 标识 real, 以 0 标识 fake
d_real_error = loss(torch.sum(d_real_decision).reshape(1, ), torch.ones([1]).to(device))
# 计算/填充梯度, 但不改变 D 的权重
d_real_error.backward()
# 1.2: 在 fake data 上训练 D
# 1.2.1: 使用 Generator 生成数据
# 按Generator的输入大小，采样mini-batch个输入
d_gen_input = g_sampler(mini_batch_size, g_input_size)
# 将变量迁移到 GPU 上
d_gen_input = d_gen_input.to(device)
# https://blog.csdn.net/qq_34218078/article/details/109591000 讲的很清楚！
# detach(): 截断反向传播的梯度流; 将原计算图中的某个node变成不需要梯度的node, 反向传播不会从这个node向前传播
# 此处 G 仅作为随即噪音生成器(以及迭代后有一定模仿能力的生成器), 教 D 鉴别fake data; 故, 应detach来避免在这些标签上训练 G(即, 保持 G 不动)
# 虽然d_optimizer.step()仅优化了鉴别器 D 的参数; 但是, 由于此处仍然通过生成器 G 生成了假的数据;
# 并且, 生成器 G 在生成假数据的过程中仍然调用了前向传播(forward); 因此, 在d_fake_error进行反向传播(backward)的过程中,
# 仍然会对生成器G的网络参数求导, 并填充到网络参数的.grad属性中; 这样做虽然没有对G的网络参数进行更新,
# 但在训练Discriminator进行迭代的过程中, 确实会对生成器G网络参数的 .grad 属性中, 形成梯度积累;
# 虽然, 在迭代训练生成器 G 之前, 采用了 G.zero_grad() 进行梯度清零, 训练 鉴别器 D 时, 生成器 G 形成的梯度积累不会影响
# 到生成器 G 的网络参数更新; 但梯度的计算开销, 内存开销以及时间成本是完全没有必要的; 故, 在训练 D 时, 采用 G.detach()
# 截断对G的反向传播梯度流;
d_fake_data = G(d_gen_input).detach()
# x.t(): 对 x 进行转置
d_fake_decision = D(preprocess(d_fake_data.t()))
# torch.zeros(1)与torch.zeros([1]) 的 size 均为 torch.Size([1])
d_fake_error = loss(torch.sum(d_fake_decision).reshape(1, ), torch.zeros([1]).to(device))
d_fake_error.backward()
# 仅优化 D 的参数, 基于backward()在网络结构中填充的梯度(grad)更新权重
d_optimizer.step()
# 提取 鉴别器D 对于real data的损失值和fake data的损失值;
# dre 应随着迭代趋近于 dfe
dre, dfe = extract(d_real_error)[0], extract(d_fake_error)[0]
# 训练生成器(Generator)
for g_index in range(g_steps):
# 在训练 G 的过程中, 保持 D 不动(此时, D已具有一定的鉴别能力)
# 在 D 有一定鉴别能力的基础上, 训练 G
G.zero_grad()
# 按Generator的输入大小，采样mini-batch个输入
gen_input = g_sampler(mini_batch_size, g_input_size)
gen_input = gen_input.to(device)
# G 生成假的数据分布
g_fake_data = G(gen_input)
dg_fake_decision = D(preprocess(g_fake_data.t()))
# loss_fn: G 通过迭代使生成的假的数据分布让 D 打更高分; 即, 使 G 生成的数据更靠近 D 的判别标准
g_error = loss(torch.sum(dg_fake_decision).reshape(1, ), torch.ones([1]).to(device))
g_error.backward()
# 仅优化 生成器G 的参数
g_optimizer.step()
# 提取 生成器G 的损失
ge = extract(g_error)[0]
if epoch % print_interval == 0:
print("Epoch %s: D (%s real_err, %s fake_err) G (%s err); Real Dist (%s), Fake Dist (%s) " %
(epoch, dre, dfe, ge, get_mean_and_std(extract(d_real_data)), get_mean_and_std(extract(d_fake_data))))
d_fake_list.append([extract(d_fake_data), epoch])
if epoch % plot_interval == 0:
# 绘制生成器G生成的数据分布图
plot_generated_distribution(data_type=data_type, generated_fake_data=g_fake_data)
4. Results evaluation
以下列举了每训练500个epochs时， 生成器 G 生成的数据分布结果。
epoch = 0:
epochs = 500:
epochs = 1000:
…
epochs = 4500:
由于，我们初始时设置的目标正态分布的均值以及方差如下：
# 数据参数：均值, 偏差
data_mean = 4
data_stddev = 1.25
可以看到，经过 5000 个 epochs 的迭代后，生成器生成的数据的正态分布峰值位于 4 附近。
epochs = 5000:
可视化迭代训练过程中，生成器生成的数据分布的样本均值以及方差，可以看到，经过一定的epochs之后，生成数据的样本 均值(mean) 以及 方差(variance) 均 稳定收敛 到我们初始化时，为目标数据分布设置的初始值。GANs 训练成功！
感谢大家的支持，如果喜欢的话，不要忘记点赞！
后续，还会分享 GANs 生成 2 维数据样本的解读，欢迎关注！
GANs 完整代码 github 地址：
https://github.com/RaySunWHUT/Generative-adversarial-networks
欢迎大家star、fork！😁
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
