GAN学习笔记（一）——初探GAN

本文基于2014年的经典论文：Generative Adversarial Networks
论文下载地址：https://arxiv.org/abs/1406.2661

一、感性认识
GAN的任务是“无中生有”。打个比方，我们想要造假币（但是不知道真币是什么样的），那么我们只能通过执法者的反馈，才知道我们造的假币到底够不够真。GAN网络里既有造假者，也有执法者，一来二去，执法者辨识力越来越高，造假者的造假技术也越加成熟，最终我们得到了一个火眼金睛的执法者，但是也得到了能以假乱真的造币工艺。事实上，执法者是网络的副产品，我们真正需要得到的是造币工艺，这就是对GAN的感性认识。

这张图里最左端的潜变量空间不要看，不是最原始的GAN的内容，G的输入只有噪声。G可以把噪声z映射到真实样本x的特征空间，得到G(z)。一开始， 虽然G(z)和x是在同一个特征空间里的，但它们分布的差异很大，这时，承担鉴别真实样本和虚 假样本的模型D性能也不强，它很容易就能把两者区分开来，而随着训练的推进，虚假样本的分布逐渐与真实样本重合，D虽然也在不断更新，但也已经力不从心了。

图中，黑色曲线是真实样本的概率分布函数，绿色曲线是虚假样本的概率分布函数，蓝色曲线是判别器D的输出，它的值越大表示这个样本越有可能是真实样本。最下方的平行线是噪声z，它映射到了x。我们可以看到， 黑线和绿线最后几乎重合，模型达到了最优状态，这时D的输出对于任意样本都是0.5。

二、模型认知
接下来从机器学习的角度深入地剖析GAN的性质。
根据训练数据是否拥有标记信息，学习任务可以分为监督学习和无监督学习两类。GAN输入的样本都没有类标，显然是属于无监督学习的。
GAN中的G是生成模型，D是判别模型。其实D是有监督的，它本质上是一个二分类器，它的输出是该样本属于真实样本的可能性，如果这个值大于0.5，则认为是真实样本，否则认为它是虚假样本。

三、训练方式
为了便于描述训练过程，我们要对文中提到的公式进行一些基本的解释。
GAN的目标函数是这样的：

从判别器D的角度看，它希望自己能尽可能区分真实样本和虚假样本，因此希望D(x)尽可能大，D(G(z))尽可能小， 也就是V(D,G)整体尽可能大。从生成器G的角度看，它希望自己尽可能骗过D，也就是希望D(G(z))尽可能大，也就是V(D,G)整体尽可能小。两个模型相对抗，最后达到全局最优。

模型按照如图所示的步骤训练。首先固定G，单独训练D，为了让D得到充分训练，有的时候要迭代多次。本论文中每一轮迭代D只训练一次。D训练完毕后，固定D，训练G，如此循环。训练的方式是反向传播算法。
可以注意到，在训练过程中，没有任何求出真实样本的分布或是生成样本的分布的过程。

四、深入公式
那么，为什么当判别器D对所有样本都输出0.5的时候，它就能达到全局最优呢？
论文中，公式2是公式3推导出来的结论，也就是说，当G固定时：

D的输出为上式时能达到最优。
pdata是真实样本的分布，pg是虚假样本的分布，分别对应之前曲线图的黑线和绿线。我们当然可以求出pdata和pg，但是整套训练过程都不需要我们求这个值。
公式4将求到的D代入了目标函数，这时我们开始固定D，求如何取G能达到最优。公式5和公式6证明了当pg=pdata的时候达到全局最优，此时D无论对真实样本还是虚假样本，输出都是0.5.
论文的4.2部分证明了模型是可以收敛的。

五、实验结果
现在我们得到了一批可以以假乱真的样本，但是我们究竟怎么评估这个样本与真实样本接近程度呢？总不能用肉眼观察得出结论吧。
论文给出的方法是高斯parzen窗法进行密度估计，先用真实样本给出高斯parzen概率密度函数，再计算虚假样本在这个分布中的密度，密度越大表示越接近真实值。
论文中表1就给出了概率密度的值， 可以看到本文的方法效果总体上还不错，但是还有改进空间。

表格中每一格左侧的是我们需要的指标，右侧是通过交叉验证求得的高斯parzen窗计算时需要的参数。

这些图片都是用GAN生成的虚假样本，最右侧框出来的黄色的是真实数据，作者找出了和生成数据最相近的真实数据，以此证明GAN是通过学习样本的特征自己生成样本，而不是单纯的记忆样本。
从中我们也可以看出GAN的一个缺点，那就是当样本维数很高的时候（比如c和d），GAN就不能达到令人满意的效果了。

这个实验反映的是样本的渐变，以左图为例，左图最左侧是生成1时输入的噪声（记为z1）），左图最右侧是生成5时输入的噪声（记为z5），中间的样本是在z1到z5之间插值得到的，可以清楚地体现样本的渐变。

六、优缺点
这篇文章讲优缺点讲得很全面
我个人能理解的只有以下部分：
优点：
1 计算优势： 不需要马尔科夫链，也不需要对pg和pdata这些变量进行计算， 只需要反向传播算法，直接得到样本；
2 范围广泛：生成对抗式网络框架能训练任何一种生成器网络，另外理论上,只要是可微分函数都可以用于构建D和G。
缺点：
1 过于自由：较大的图片，较多的 pixel的情形，基于简单 GAN 的方式就不太可控了(超高维)；
2 难以训练：GAN的学习过程可能发生崩溃问题（collapse problem），生成器开始退化，总是生成同样的样本点，无法继续学习；