计算机视觉(CV)-生成模型：WGAN【Lipschitz：Weight Clipping】--＞ WGAN-GP【Lipschitz：Gradient Penalty】

• 自从2014年Ian Goodfellow提出以来，GAN就存在着训练困难、【生成器】和【判别器】的loss无法指示训练进程、生成样本缺乏多样性等问题。
• 从那时起，很多论文都在尝试解决，但是效果不尽人意，比如最有名的一个改进DCGAN依靠的是对【判别器】和【生成器】的架构进行实验枚举，最终找到一组比较好的网络架构设置，但是实际上是治标不治本，没有彻底解决问题。

一、WGAN相比较GAN的改进点

• Wasserstein GAN（下面简称WGAN）成功地做到了以下爆炸性的几点：
  1. 彻底解决GAN训练不稳定的问题，不再需要小心平衡【生成器】和【判别器】的训练程度
  2. 基本解决了Mode Collapse的问题，确保了生成样本的多样性
  3. 训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表GAN训练得越好，代表【生成器】产生的图像质量越高（如题图所示）
  4. 以上一切好处不需要精心设计的网络架构，最简单的多层全连接网络就可以做到
• 那以上好处来自哪里？这就是令人拍案叫绝的部分了——实际上作者整整花了两篇论文，在第一篇《Towards Principled Methods for Training Generative Adversarial Networks》里面推了一堆公式定理，从理论上分析了原始GAN的问题所在，从而针对性地给出了改进要点；在这第二篇《Wasserstein GAN》里面，又再从这个改进点出发推了一堆公式定理，最终给出了改进的算法实现流程，而改进后的WGAN相比原始GAN的算法实现流程却只改了四点：
  1. 【判别器】最后一层去掉sigmoid
  2. 改变【生成器】和【判别器】的损失函数：【生成器】和【判别器】的loss不取log
  3. 使用 “Weight Clipping” 技巧来模拟 Lipschitz限制要求：每次更新【判别器】的参数之后把它们的绝对值截断到不超过一个固定常数c(注：实际上“Weight Clipping” 技巧的效果不太好)。
  4. 不要用基于动量的优化算法（包括momentum和Adam），推荐RMSProp，SGD也行
     
• 改动是如此简单，效果却惊人地好，以至于Reddit上不少人在感叹：就这样？没有别的了？ 太简单了吧！这些反应让我想起了一个颇有年头的鸡汤段子，说是一个工程师在电机外壳上用粉笔划了一条线排除了故障，要价一万美元——画一条线，1美元；知道在哪画线，9999美元。上面这四点改进就是作者Martin Arjovsky划的简简单单四条线，对于工程实现便已足够，但是知道在哪划线，背后却是精巧的数学分析。

二、原始GAN究竟出了什么问题

1、原始GAN的损失函数

1.1 【判别器】的损失函数

• 原始GAN中【判别器】要最小化如下损失函数，尽可能把真实样本分为正例，生成样本分为负例，所以【判别器】的损失函数由两部分组成：
  $$-{\mathbb{E}}_{\text{x}\sim P_{data}(\text{x})}[logD(\text{x})]-{\mathbb{E}}_{\text{x}\sim P_G(\text{x})}[log(1-D(\text{x}))]\text{(公式1)}$$
  其中：$P_{data}$ 是真实样本分布；$P_G$ 是生产器生产的样本的样本分布；

1.2 生产器的损失函数

• 对于【生成器】，Goodfellow一开始提出来一个损失函数：
  $${\mathbb{E}}_{\text{x}\sim P_G(\text{x})}[log(1-D(\text{x}))]\text{(公式2)}$$
• 后来又提出了一个改进的【生成器】损失函数：
  $${\mathbb{E}}_{\text{x}\sim P_G(\text{x})}[log(-D(\text{x}))]\text{(公式3)}$$

2、第一种原始GAN形式的问题

• 一句话概括：【判别器】越好，【生成器】梯度消失越严重。WGAN前作从两个角度进行了论证，第一个角度是从【生成器】的等价损失函数切入的。
• 首先从公式1可以得到，在【生成器】G固定参数时最优的【判别器】D应该是什么。对于一个具体的样本 $\text{x}$，它可能来自真实分布也可能来自生成分布，它对公式1损失函数的贡献是
  $$-P_{data}(\text{x})logD(\text{x})-P_G(\text{x})log(1-D(\text{x}))$$
• 令其关于$D(x)$ 的导数为0，得
  $$\frac{P_{data}(x)}{D(x)}+\frac{P_G(x)}{1-D(x)}=0$$
• 化简得最优【判别器】为：
  $$D^{\ast }(x)=\frac{P_{data}(x)}{P_{data}(x)+P_G(x)}（公式4）$$
• 这个结果从直观上很容易理解，就是看一个样本 $x$ 来自真实分布和生成分布的可能性的相对比例。如果 $P_{data}(x)=0$ 且 $P_G(x)\ne 0$，最优【判别器】就应该非常自信地给出概率0；如果 $P_{data}(x)=P_G(x)$，说明该样本是真是假的可能性刚好一半一半，此时最优【判别器】也应该给出概率0.5。
• 然而GAN训练有一个trick，就是别把【判别器】训练得太好，否则在实验中【生成器】会完全学不动（loss降不下去），为了探究背后的原因，我们就可以看看在极端情况——【判别器】最优时，【生成器】的损失函数变成什么。给【生成器】的损失函数(公式2)加上一个不依赖于【生成器】的项，使之变成
  $${\mathbb{E}}_{x\sim P_{data}}[\log D(x)]+{\mathbb{E}}_{x\sim P_G}[\log (1-D(x))]$$
• 注意，最小化这个函数等价于最小化【生成器】的损失函数(公式2)，而且它刚好是【判别器】损失函数的反。代入最优【判别器】即公式4，再进行简单的变换可以得到【生成器】的损失函数为：
  $${\mathbb{E}}_{x\sim P_{data}}\log \frac{P_{data}(x)}{\frac{1}{2}[P_{data}(x)+P_G(x)]}+{\mathbb{E}}_{x\sim P_G}\log \frac{P_G(x)}{\frac{1}{2}[P_{data}(x)+P_G(x)]}-2\log 2（公式5)$$
• 变换成这个样子是为了引入Kullback–Leibler divergence（简称KL散度）和Jensen-Shannon divergence（简称JS散度）这两个重要的相似度衡量指标，后面的主角之一Wasserstein距离，就是要来吊打它们两个的。所以接下来介绍这两个重要的配角——KL散度和JS散度：
  $$KL(P_1||P_2)={\mathbb{E}}_{x\sim P_1}\log \frac{P_1}{P_2}（公式6）$$
  $$JS(P_1||P_2)=\frac{1}{2}KL(P_1||\frac{P_1+P_2}{2})+\frac{1}{2}KL(P_2||\frac{P_1+P_2}{2})（公式7）$$
• 于是【生成器】的损失函数(公式5)就可以继续写成
  $$2JS(P_{data}||P_G)-2\log 2（公式8）$$
• 到这里读者可以先喘一口气，看看目前得到了什么结论：根据原始GAN定义的【判别器】loss，我们可以得到最优【判别器】的形式；而在最优【判别器】的下，我们可以把原始GAN定义的【生成器】loss等价变换为最小化真实分布 $P_{data}$ 与生成分布 $P_G$ 之间的JS散度。我们越训练【判别器】，它就越接近最优，最小化【生成器】的loss也就会越近似于最小化 $P_{data}$ 和 $P_G$ 之间的JS散度。
• 问题就出在这个JS散度上。我们会希望如果两个分布之间越接近它们的JS散度越小，我们通过优化JS散度就能将 $P_G$ “拉向” $P_{data}$，最终以假乱真。这个希望在两个分布有所重叠的时候是成立的，但是如果两个分布完全没有重叠的部分，或者它们重叠的部分可忽略（下面解释什么叫可忽略），它们的JS散度是多少呢？
• 答案是 $\log 2$，因为对于任意一个 $x$ 只有四种可能：
  $P_1(x)=0且P_2(x)=0$
  $P_1(x)\ne 0且P_2(x)\ne 0$
  $P_1(x)=0且P_2(x)\ne 0$
  $P_1(x)\ne 0且P_2(x)=0$
• 第一种对计算JS散度无贡献，第二种情况由于重叠部分可忽略所以贡献也为0，第三种情况对公式7右边第一个项的贡献是 $\log \frac{P_2}{\frac{1}{2}(P_2+0)}=\log 2$，第四种情况与之类似，所以最终$JS(P_1||P_2)=\log 2$。
• 换句话说，无论 $P_{data}$ 跟 $P_G$ 是远在天边，还是近在眼前，只要它们俩没有一点重叠或者重叠部分可忽略，JS散度就固定是常数 $\log 2$，而这对于梯度下降方法意味着——梯度为0！此时对于最优【判别器】来说，【生成器】肯定是得不到一丁点梯度信息的；即使对于接近最优的【判别器】来说，【生成器】也有很大机会面临梯度消失的问题。
• 但是 $P_{data}$ 与 $P_G$ 不重叠或重叠部分可忽略的可能性有多大？不严谨的答案是：非常大。比较严谨的答案是：当 $P_{data}$ 与 $P_G$ 的支撑集（support）是高维空间中的低维流形（manifold）时，$P_{data}$ 与 $P_G$ 重叠部分测度（measure）为0的概率为1。
• 不用被奇怪的术语吓得关掉页面，虽然论文给出的是严格的数学表述，但是直观上其实很容易理解。首先简单介绍一下这几个概念：
  • 支撑集（support）其实就是函数的非零部分子集，比如ReLU函数的支撑集就是(0, $+\infty$)，一个概率分布的支撑集就是所有概率密度非零部分的集合。
  • 流形（manifold）是高维空间中曲线、曲面概念的拓广，我们可以在低维上直观理解这个概念，比如我们说三维空间中的一个曲面是一个二维流形，因为它的本质维度（intrinsic dimension）只有2，一个点在这个二维流形上移动只有两个方向的自由度。同理，三维空间或者二维空间中的一条曲线都是一个一维流形。
  • 测度（measure）是高维空间中长度、面积、体积概念的拓广，可以理解为“超体积”。
• 回过头来看第一句话，“当 $P_{data}$ 与 $P_G$ 的支撑集是高维空间中的低维流形时”，基本上是成立的。原因是GAN中的【生成器】一般是从某个低维（比如100维）的随机分布中采样出一个编码向量，再经过一个神经网络生成出一个高维样本（比如64x64的图片就有4096维）。当【生成器】的参数固定时，生成样本的概率分布虽然是定义在4096维的空间上，但它本身所有可能产生的变化已经被那个100维的随机分布限定了，其本质维度就是100，再考虑到神经网络带来的映射降维，最终可能比100还小，所以生成样本分布的支撑集就在4096维空间中构成一个最多100维的低维流形，“撑不满”整个高维空间。
• “撑不满”就会导致真实分布与生成分布难以“碰到面”，这很容易在二维空间中理解：
  
  一方面，二维平面中随机取两条曲线，它们之间刚好存在重叠线段的概率为0；另一方面，虽然它们很大可能会存在交叉点，但是相比于两条曲线而言，交叉点比曲线低一个维度，长度（测度）为0，可忽略。三维空间中也是类似的，随机取两个曲面，它们之间最多就是比较有可能存在交叉线，但是交叉线比曲面低一个维度，面积（测度）是0，可忽略。从低维空间拓展到高维空间，就有了如下逻辑：因为一开始【生成器】随机初始化，所以$P_G$几乎不可能与$P_{data}$有什么关联，所以它们的支撑集之间的重叠部分要么不存在，要么就比$P_{data}$和$P_G$的最小维度还要低至少一个维度，故而测度为0。所谓“重叠部分测度为0”，就是上文所言“不重叠或者重叠部分可忽略”的意思。
• 我们就得到了WGAN前作中关于【生成器】梯度消失的第一个论证：在（近似）最优【判别器】下，最小化【生成器】的loss等价于最小化 $P_{data}$ 与 $P_G$之间的JS散度，而由于 $P_{data}$ 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。
• 接着作者写了很多公式定理从第二个角度进行论证，但是背后的思想也可以直观地解释：
  • 首先，$P_{data}$ 与 $P_G$ 之间几乎不可能有不可忽略的重叠，所以无论它们之间的“缝隙”多狭小，都肯定存在一个最优分割曲面把它们隔开，最多就是在那些可忽略的重叠处隔不开而已。
  • 由于【判别器】作为一个神经网络可以无限拟合这个分隔曲面，所以存在一个最优【判别器】，对几乎所有真实样本给出概率1，对几乎所有生成样本给出概率0，而那些隔不开的部分就是难以被最优【判别器】分类的样本，但是它们的测度为0，可忽略。
  • 最优【判别器】在真实分布和生成分布的支撑集上给出的概率都是常数（1和0），导致【生成器】的loss梯度为0，梯度消失。
• 有了这些理论分析，原始GAN不稳定的原因就彻底清楚了：【判别器】训练得太好，【生成器】梯度消失，【生成器】loss降不下去；【判别器】训练得不好，【生成器】梯度不准，四处乱跑。只有【判别器】训练得不好不坏才行，但是这个火候又很难把握，甚至在同一轮训练的前后不同阶段这个火候都可能不一样，所以GAN才那么难训练。
• 实验辅证如下图，WGAN前作Figure 2。先分别将DCGAN训练1，20，25个epoch，然后固定【生成器】不动，【判别器】重新随机初始化从头开始训练，对于第一种形式的【生成器】loss产生的梯度可以打印出其尺度的变化曲线，可以看到随着【判别器】的训练，【生成器】的梯度均迅速衰减。注意y轴是对数坐标轴。
  

3、第二种原始GAN形式的问题

• 一句话概括：最小化第二种【生成器】loss函数，会等价于最小化一个不合理的距离衡量，导致两个问题，一是梯度不稳定，二是collapse mode即多样性不足。WGAN前作又是从两个角度进行了论证，下面只说第一个角度，因为对于第二个角度我难以找到一个直观的解释方式，感兴趣的读者还是去看论文。
• 如前文所说，Ian Goodfellow提出的“- log D trick”是把【生成器】loss改成
  $${\mathbb{E}}_{x\sim P_G}[-\log D(x)]（公式3）$$
• 上文推导已经得到在最优【判别器】 $D^{\ast }$ 下
  $${\mathbb{E}}_{x\sim P_{data}}[\log D^{\ast }(x)]+{\mathbb{E}}_{x\sim P_G}[\log (1-D^{\ast }(x))]=2JS(P_{data}||P_G)-2\log 2（公式9）$$
• 我们可以把KL散度（注意下面是先G后data）变换成含 $D^{\ast }$ 的形式：
  $$\begin{array}{rl}KL(P_G||P_{data})& ={\mathbb{E}}_{x\sim P_G}[\log \frac{P_G(x)}{P_{data}(x)}]\\ & ={\mathbb{E}}_{x\sim P_G}[\log \frac{P_G(x)/(P_{data}(x)+P_G(x))}{P_{data}(x)/(P_{data}(x)+P_G(x))}]（公式10）\\ & ={\mathbb{E}}_{x\sim P_G}[\log \frac{1-D^{\ast }(x)}{D^{\ast }(x)}]\\ & ={\mathbb{E}}_{x\sim P_G}\log [1-D^{\ast }(x)]-{\mathbb{E}}_{x\sim P_G}\log D^{\ast }(x)\end{array}$$
• 由公式3，9，10可得最小化目标的等价变形
  $$\begin{array}{rl}{\mathbb{E}}_{x\sim P_G}[-\log D^{\ast }(x)]& =KL(P_G||P_{data})-{\mathbb{E}}_{x\sim P_G}\log [1-D^{\ast }(x)]\\ & =KL(P_G||P_{data})-2JS(P_{data}||P_G)+2\log 2+{\mathbb{E}}_{x\sim P_{data}}[\log D^{\ast }(x)]\end{array}$$
• 注意上式最后两项不依赖于【生成器】G，最终得到最小化公式3等价于最小化
  $$KL(P_G||P_{data})-2JS(P_{data}||P_G)（公式11）$$
• 这个等价最小化目标存在两个严重的问题。第一是它同时要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，一个要拉近，一个却要推远！这在直观上非常荒谬，在数值上则会导致梯度不稳定，这是后面那个JS散度项的毛病。
• 第二，即便是前面那个正常的KL散度项也有毛病。因为KL散度不是一个对称的衡量，$KL(P_G||P_{data})$ 与 $KL(P_{data}||P_G)$ 是有差别的。以前者为例
  • 当 $P_G(x)\to 0$而 $P_{data}(x)\to 1$ 时，$P_G(x)\log \frac{P_G(x)}{P_{data}(x)}\to 0$，对 $KL(P_G||P_{data})$ 贡献趋近0
  • 当 $P_G(x)\to 1$而 $P_{data}(x)\to 0$ 时，$P_G(x)\log \frac{P_G(x)}{P_{data}(x)}\to +\infty$，对 $KL(P_G||P_{data})$ 贡献趋近正无穷
• 换言之，$KL(P_G||P_{data})$ 对于上面两种错误的惩罚是不一样的，第一种错误对应的是“【生成器】没能生成真实的样本”，惩罚微小；第二种错误对应的是“【生成器】生成了不真实的样本” ，惩罚巨大。第一种错误对应的是缺乏多样性，第二种错误对应的是缺乏准确性。这一放一打之下，【生成器】宁可多生成一些重复但是很“安全”的样本，也不愿意去生成多样性的样本，因为那样一不小心就会产生第二种错误，得不偿失。这种现象就是大家常说的collapse mode。

4、原始GAN问题小结

• 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。
• 实验辅证如下图，WGAN前作Figure 3。先分别将DCGAN训练1，20，25个epoch，然后固定【生成器】不动，【判别器】重新随机初始化从头开始训练，对于第二种形式的【生成器】loss产生的梯度可以打印出其尺度的变化曲线，可以看到随着【判别器】的训练，蓝色和绿色曲线中【生成器】的梯度迅速增长，说明梯度不稳定，红线对应的是DCGAN相对收敛的状态，梯度才比较稳定。
  

三、WGAN之前的一个过渡解决方案

• 原始GAN问题的根源可以归结为两点，一是等价优化的距离衡量（KL散度、JS散度）不合理，二是【生成器】随机初始化后的生成分布很难与真实分布有不可忽略的重叠。
• WGAN前作其实已经针对第二点提出了一个解决方案，就是对生成样本和真实样本加噪声，直观上说，使得原本的两个低维流形“弥散”到整个高维空间，强行让它们产生不可忽略的重叠。而一旦存在重叠，JS散度就能真正发挥作用，此时如果两个分布越靠近，它们“弥散”出来的部分重叠得越多，JS散度也会越小而不会一直是一个常数，于是（在第一种原始GAN形式下）梯度消失的问题就解决了。在训练过程中，我们可以对所加的噪声进行退火（annealing），慢慢减小其方差，到后面两个低维流形“本体”都已经有重叠时，就算把噪声完全拿掉，JS散度也能照样发挥作用，继续产生有意义的梯度把两个低维流形拉近，直到它们接近完全重合。以上是对原文的直观解释。
• 在这个解决方案下我们可以放心地把【判别器】训练到接近最优，不必担心梯度消失的问题。而当【判别器】最优时，对公式9取反可得【判别器】的最小loss为
  $$\begin{array}{rl}\min L_D(P_{data+ϵ},P_{G+ϵ})& =-{\mathbb{E}}_{x\sim P_{data+ϵ}}[\log D^{\ast }(x)]-{\mathbb{E}}_{x\sim P_{g+ϵ}}[\log (1-D^{\ast }(x))]\\ & =2\log 2-2JS(P_{data+ϵ}||P_{G+ϵ})\end{array}$$
• 其中 $P_{data+ϵ}$ 和 $P_{G+ϵ}$ 分别是加噪后的真实分布与生成分布。反过来说，从最优【判别器】的loss可以反推出当前两个加噪分布的JS散度。两个加噪分布的JS散度可以在某种程度上代表两个原本分布的距离，也就是说可以通过最优【判别器】的loss反映训练进程！……真的有这样的好事吗？
• 并没有，因为加噪JS散度的具体数值受到噪声的方差影响，随着噪声的退火，前后的数值就没法比较了，所以它不能成为 $P_{data}$ 和 $P_G$ 距离的本质性衡量。
• 因为本文的重点是WGAN本身，所以WGAN前作的加噪方案简单介绍到这里，感兴趣的读者可以阅读原文了解更多细节。加噪方案是针对原始GAN问题的第二点根源提出的，解决了训练不稳定的问题，不需要小心平衡【判别器】训练的火候，可以放心地把【判别器】训练到接近最优，但是仍然没能够提供一个衡量训练进程的数值指标。但是WGAN本作就从第一点根源出发，用Wasserstein距离代替JS散度，同时完成了稳定训练和进程指标的问题！

四、$\text{Wasserstein Distance/Wasserstein距离}$

• KL散度和JS散度度量的问题：如果两个分配P,Q离得很远，完全没有重叠的时候，那么KL散度值是没有意义的，而JS散度值是一个常数。这在学习算法中是比较致命的，这就意味这这一点的梯度为0。梯度消失了。
  
• Wasserstein距离度量两个概率分布之间的距离，定义如下
  $$W(P_{data},P_G)=\underset{\gamma \sim \Pi (P_{data},P_G)}{\inf }{\mathbb{E}}_{(x,y)\sim \gamma }[||x-y||]（公式12）$$
• $\Pi (P_{data},P_G)$ 是 $P_{data}$ 和 $P_G$ 组合起来的所有可能的联合分布的集合，反过来说，$\Pi (P_{data},P_G)$ 中每一个分布的边缘分布都是 $P_{data}$ 和 $P_G$。
• 对于每一个可能的联合分布 $\gamma$ 而言，可以从中采样 $(x,y)\sim \gamma$ 得到一个真实样本 $x$ 和一个生成样本 $y$，并算出这对样本的距离 $||x-y||$，所以可以计算该联合分布 $\gamma$ 下样本对距离的期望值 ${\mathbb{E}}_{(x,y)\sim \gamma }[||x-y||]$。
• 在所有可能的联合分布中能够对这个期望值取到的下界 ${\inf }_{\gamma \sim \Pi (P_{data},P_G)}{\mathbb{E}}_{(x,y)\sim \gamma }[||x-y||]$，就定义为Wasserstein距离。
• 直观上可以把 ${\mathbb{E}}_{(x,y)\sim \gamma }[||x-y||]$ 理解为在 $\gamma$ 这个“路径规划”下把$P_{data}$ 这堆“沙土”挪到 $P_G$ “位置”所需的“消耗”，而 $W(P_{data},P_G)$ 就是“最优路径规划”下的“最小消耗”，所以才叫Earth-Mover（推土机）距离。
• Wasserstein距离相比KL散度、JS散度的优越性在于，即便两个分布没有重叠，Wasserstein距离仍然能够反映它们的远近。WGAN本作通过简单的例子展示了这一点。考虑如下二维空间中的两个分布 $P_1$ 和$P_2$，$P_1$在线段AB上均匀分布，$P_2$在线段CD上均匀分布，通过控制参数 $\theta$ 可以控制着两个分布的距离远近。
  
• 此时容易得到（读者可自行验证）
  $$\begin{gathered} KL(P_1||P_2)=KL(P_1||P_2)=\{\begin{array}{ll}+\infty & \text{if θ=0}\\ 0& \text{if θ=0}\end{array}（突变） \\ JS(P_1||P_2)=\{\begin{array}{ll}\log 2& \text{if θ=0}\\ 0& \text{if θ−0}\end{array}（突变） \\ W(P_0,P_1)=|\theta |（平滑） \end{gathered}$$
• KL散度和JS散度是突变的，要么最大要么最小，Wasserstein距离却是平滑的，如果我们要用梯度下降法优化 $\theta$ 这个参数，前两者根本提供不了梯度，Wasserstein距离却可以。类似地，在高维空间中如果两个分布不重叠或者重叠部分可忽略，则KL和JS既反映不了远近，也提供不了梯度，但是Wasserstein却可以提供有意义的梯度。

五、从Wasserstein距离到WGAN

• 既然Wasserstein距离有如此优越的性质，如果我们能够把它定义为【生成器】的loss，不就可以产生有意义的梯度来更新【生成器】，使得生成分布被拉向真实分布吗？
• 没那么简单，因为Wasserstein距离定义（公式12）中的 ${\inf }_{\gamma \sim \Pi (P_{data},P_G)}$ 没法直接求解，不过没关系，作者用了一个已有的定理把它变换为如下形式
  $$W(P_{data},P_G)=\frac{1}{K}\underset{||D|{|}_L\le K}{\sup }{\mathbb{E}}_{x\sim P_{data}}[D(x)]-{\mathbb{E}}_{x\sim P_G}[D(x)]（公式13）$$
  • 公式13必须满足 $D(x)\in Lipschitz连续函数$
    $$|D(x_1)-D(x_2)|\le K|x_1-x_2|$$
  • Lipschitz连续性限制其实就是在一个连续函数 $D$ 上面额外施加了一个限制，要求存在一个常数 $K\ge 0$ 使得定义域内的任意两个元素 $x_1$ 和 $x_2$ 都满足
  • 此时称函数 $D$ 的Lipschitz常数为 $K$。当 $K=1$ 时，为“1-Lipschitz”。
    
  • 简单理解，比如说 $D$ 的定义域是实数集合，那上面的要求就等价于 $D$ 的导函数绝对值不超过 $K$
    
  • 再比如说 $\log (x)$ 就不是Lipschitz连续，因为它的导函数没有上界。Lipschitz连续条件限制了一个连续函数的最大局部变动幅度。
  • 在实践中，使用 “Weight Clipping” 的技巧来实现 Lipschitz限制要求：Force the parameters w between c and -c. After parameter update, if w > c, w = c; if w < -c, w = -c
• 公式13的意思就是在要求函数 $D$ 的Lipschitz常数 $||D|{|}_L$不超过 $K$ 的条件下，对所有可能满足条件的 $D$ 取到 ${\mathbb{E}}_{x\sim P_{data}}[D(x)]-{\mathbb{E}}_{x\sim P_G}[D(x)]$的上界，然后再除以 $K$。
• 特别地，我们可以用一组参数 $w$ 来定义一系列可能的函数 $D_w$，此时求解公式13可以近似变成求解如下形式
  $$K\cdot W(P_{data},P_G)\approx \underset{w:|D_w{|}_L\le K}{\max }{\mathbb{E}}_{x\sim P_{data}}[D_w(x)]-{\mathbb{E}}_{x\sim P_G}[D_w(x)]（公式14）$$
• 再用上我们搞深度学习的人最熟悉的那一套，不就可以把 $D$ 用一个带参数 $w$ 的神经网络来表示嘛！由于神经网络的拟合能力足够强大，我们有理由相信，这样定义出来的一系列 $D_w$ 虽然无法囊括所有可能，但是也足以高度近似公式13要求的那个 $su{p}_{||D|{|}_L\le K}$了。
• 最后，还不能忘了满足公式14中 $||D_w|{|}_L\le K$ 这个限制。我们其实不关心具体的 $K$ 是多少，只要它不是正无穷就行，因为 $K$ 只是会使得梯度变大 $K$ 倍，并不会影响梯度的方向。所以作者采取了一个非常简单的做法，就是限制神经网络 $D_{\theta }$ 的所有参数 $w_i$ 的不超过某个范围 $[-c,c]$，比如 $w_i\in [-0.01,0.01]$，此时关于输入样本 $x$ 的导数 $\frac{\partial D_w}{\partial x}$ 也不会超过某个范围，所以一定存在某个不知道的常数 $K$ 使得 $D_w$ 的局部变动幅度不会超过它，Lipschitz连续条件得以满足。具体在算法实现中，只需要每次更新完 $w$后把它clip回这个范围就可以了。
• 到此为止，我们可以构造一个含参数 $w$、最后一层不是非线性激活层的【判别器】网络 $D_w$，在限制 $w$ 不超过某个范围的条件下，使得 $L={\mathbb{E}}_{x\sim P_{data}}[D_w(x)]-{\mathbb{E}}_{x\sim P_G}[D_w(x)]$ 尽可能取到最大，此时 $L$ 就会近似真实分布与生成分布之间的Wasserstein距离（常数倍数$K=1$）。
  L = max ⁡ D w ∈ 1 − L i p s c h i t z { E x ∼ P d a t a [ D w ( x ) ] − E x ∼ P G [ D w ( x ) ] } （ 公 式 15 ） \color{red}{L = \max_{D_w∈1-Lipschitz} \{\mathbb{E}_{x \sim P_{data}} [D_w(x)] - \mathbb{E}_{x \sim P_G} [D_w(x)]\}}（公式15） L=Dw​∈1−Lipschitzmax​{Ex∼Pdata​​[Dw​(x)]−Ex∼PG​​[Dw​(x)]}（公式15）
  注意原始GAN的【判别器】做的是真假二分类任务，所以最后一层是sigmoid，但是现在WGAN中的【判别器】 $D_w$ 做的是近似拟合Wasserstein距离，属于回归任务，所以WGAN要把最后一层的sigmoid拿掉。
• 接下来【生成器】要近似地最小化Wasserstein距离，可以最小化 $L$，由于Wasserstein距离的优良性质，我们不需要担心【生成器】梯度消失的问题。再考虑到 $L$ 的第一项与【生成器】无关，就得到了WGAN的两个Loss。
  1. WGAN【生成器】Loss函数：$$-{\mathbb{E}}_{x\sim P_G}[D_w(x)]\text{(公式16)}$$
  2. WGAN【判别器】Loss函数：$${\mathbb{E}}_{x\sim P_G}[D_w(x)]-{\mathbb{E}}_{x\sim P_{data}}[D_w(x)]\text{(公式17)}$$
• 公式15是公式17的反，可以指示训练进程，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。
• WGAN完整的算法流程
  
  
• 上文说过，WGAN与原始GAN第一种形式相比，只改了四点：
  1. 【判别器】最后一层去掉sigmoid
  2. 【生成器】和【判别器】的loss不取log
  3. 使用 “Weight Clipping” 技巧来模拟 Lipschitz限制要求：每次更新【判别器】的参数之后把它们的绝对值截断到不超过一个固定常数c(注：实际上“Weight Clipping” 技巧的效果不太好)。
  4. 不要用基于动量的优化算法（包括momentum和Adam），推荐RMSProp，SGD也行
• 前三点都是从理论分析中得到的，已经介绍完毕；第四点却是作者从实验中发现的，属于trick，相对比较“玄”。作者发现如果使用Adam，【判别器】的loss有时候会崩掉，当它崩掉时，Adam给出的更新方向与梯度方向夹角的cos值就变成负数，更新方向与梯度方向南辕北辙，这意味着【判别器】的loss梯度是不稳定的，所以不适合用Adam这类基于动量的优化算法。作者改用RMSProp之后，问题就解决了，因为RMSProp适合梯度不稳定的情况。
• 对WGAN作者做了不少实验验证，本文只提比较重要的三点。
• 第一，【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，如下所示（此即题图）：
  
• 第二，WGAN如果用类似DCGAN架构，生成图片的效果与DCGAN差不多：
  
  但是厉害的地方在于WGAN不用DCGAN各种特殊的架构设计也能做到不错的效果，比如如果大家一起拿掉Batch Normalization的话，DCGAN就崩了：
  
  如果WGAN和原始GAN都使用多层全连接网络（MLP），不用CNN，WGAN质量会变差些，但是原始GAN不仅质量变得更差，而且还出现了collapse mode，即多样性不足：
  
• 第三，在所有WGAN的实验中未观察到collapse mode，作者也只说应该是解决了，
• 最后补充一点论文没提到，但是我个人觉得比较微妙的问题。【判别器】所近似的Wasserstein距离能够用来指示单次训练中的训练进程，这个没错；接着作者又说它可以用于比较多次训练进程，指引调参，我倒是觉得需要小心些。比如说我下次训练时改了【判别器】的层数、节点数等超参，【判别器】的拟合能力就必然有所波动，再比如说我下次训练时改了【生成器】两次迭代之间，【判别器】的迭代次数，这两种常见的变动都会使得Wasserstein距离的拟合误差就与上次不一样。那么这个拟合误差的变动究竟有多大，或者说不同的人做实验时【判别器】的拟合能力或迭代次数相差实在太大，那它们之间还能不能直接比较上述指标，我都是存疑的。
• 进一步指出，相比于【判别器】迭代次数的改变，对【判别器】架构超参的改变会直接影响到对应的Lipschitz常数K，进而改变近似Wasserstein距离的倍数，前后两轮训练的指标就肯定不能比较了，这是需要在实际应用中注意的。对此我想到了一个工程化的解决方式，不是很优雅：取同样一对生成分布和真实分布，让前后两个不同架构的【判别器】各自拟合到收敛，看收敛到的指标差多少倍，可以近似认为是后面的K_2相对前面K_1的变化倍数，于是就可以用这个变化倍数校正前后两轮训练的指标。

六、WGAN总结

• WGAN前作分析了Ian Goodfellow提出的原始GAN两种形式各自的问题，第一种形式等价在最优【判别器】下等价于最小化生成分布与真实分布之间的JS散度，由于随机生成分布很难与真实分布有不可忽略的重叠以及JS散度的突变特性，使得【生成器】面临梯度消失的问题；第二种形式在最优【判别器】下等价于既要最小化生成分布与真实分布直接的KL散度，又要最大化其JS散度，相互矛盾，导致梯度不稳定，而且KL散度的不对称性使得【生成器】宁可丧失多样性也不愿丧失准确性，导致collapse mode现象。
• WGAN前作针对分布重叠问题提出了一个过渡解决方案，通过对生成样本和真实样本加噪声使得两个分布产生重叠，理论上可以解决训练不稳定的问题，可以放心训练【判别器】到接近最优，但是未能提供一个指示训练进程的可靠指标，也未做实验验证。
• WGAN本作引入了Wasserstein距离，由于它相对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。接着通过数学变换将Wasserstein距离写成可求解的形式，利用一个参数数值范围受限的【判别器】神经网络来最大化这个形式，就可以近似Wasserstein距离。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。作者对WGAN进行了实验验证。

七、WGAN-GP(改进的WGAN)

1、WGAN存在的问题

• WGAN虽然理论证明很完美，但真正的效果并没有很好。WGAN在真实的实验过程中依旧存在着训练困难、收敛速度慢的 问题，相比较传统GAN在实验上提升不是很明显。

1.1 WGAN问题01

• WGAN存在问题的原因就是WGAN在处理Lipschitz限制条件时直接采用了 weight clipping，就是每当更新完一次判别器的参数之后，就检查判别器的所有参数的绝对值有没有超过一个阈值，比如0.01，有的话就把这些参数 clip回 [-0.01, 0.01] 范围内。通过在训练过程中保证判别器的所有参数有界，就保证了判别器不能对两个略微不同的样本在判别上不会差异过大，从而间接实现了Lipschitz限制。但是，实际训练上判别器loss希望尽可能拉大真假样本的分数差，然而weight clipping独立地限制每一个网络参数的取值范围，在这种情况下最优的策略就是尽可能让所有参数走极端，要么取最大值（如0.01）要么取最小值（如-0.01）。如下图所示判别器的参数几乎都集中在最大值和最小值上：
  

1.2 WGAN问题02

• weight clipping会导致很容易一不小心就梯度消失或者梯度爆炸。原因是判别器是一个多层网络，如果把clipping threshold设得稍微小了一 点，每经过一层网络，梯度就变小一点点，多层之后就会指数衰减；反之，如果设得稍微大了一点，每经过一层网络，梯度变大一点点，多层之后就会指数爆 炸。只有设得不大不小，才能让生成器获得恰到好处的回传梯度，然而在实际应用中这个平衡区域可能很狭窄，就会给调参工作带来麻烦。下图中横轴代表判别器从低到高第几层，纵轴代表梯度回传到这一层之后的尺度大小（注意纵轴是对数刻度，c是clipping threshold）
  

2、WGAN-GP解决方案

• 在以上问题提出后，作者提出了解决方案，那就是gradient penalty(梯度惩罚)。Lipschitz限制是要求判别器的梯度不超过K，gradient penalty 就是设置一个额外的Loss项来体现 “梯度” 与 “K” 之间的联系，比如：
  $$ReLU[||{\nabla }_{x}D(X)|{|}_p-K]$$
• 不过，既然判别器希望尽可能拉大真假样本的分数差距，自然是希望梯度越大越好，变化幅度越大越好，所以判别器在充分训练之后，其梯度norm其实就会在K附近。通过这一点可以把上面的Loss改成要求梯度norm离K越近越好：
  $$[||{\nabla }_{x}D(X)|{|}_p-K{]}^2$$
• 接着简单地把 $K$ 定为1，
  $$[||{\nabla }_{x}D(X)|{|}_p-1{]}^2$$
• 再跟WGAN原来的判别器损失函数 L = max ⁡ D w ∈ 1 − L i p s c h i t z { E x ∼ P d a t a [ D w ( x ) ] − E x ∼ P G [ D w ( x ) ] } （ 公 式 15 ） L = \max_{D_w∈1-Lipschitz} \{\mathbb{E}_{x \sim P_{data}} [D_w(x)] - \mathbb{E}_{x \sim P_G} [D_w(x)]\}（公式15） L=maxDw​∈1−Lipschitz​{Ex∼Pdata​​[Dw​(x)]−Ex∼PG​​[Dw​(x)]}（公式15）加权合并，就得到新的判别器Loss:
  − L = max ⁡ D w ∈ 1 − L i p s c h i t z { E x ∼ P d a t a [ D w ( x ) ] − E x ∼ P G [ D w ( x ) ] ⏟ Original Critic Loss − λ E x ∼ P p e n a l t y [ ∣ ∣ ∇ x D ( X ) ∣ ∣ p − 1 ] 2 ⏟ Gradient Penalty } \color{red}{-L = \max_{D_w∈1-Lipschitz} \{\underbrace{\mathbb{E}_{x \sim P_{data}} [D_w(x)] - \mathbb{E}_{x \sim P_G} [D_w(x)]}_{\text{Original\ Critic\ Loss}}-\underbrace{λ\mathbb{E}_{x\sim P_{penalty}}[||\nabla_x D(X)||_p-1]^2}_{\text{Gradient\ Penalty}}\}} −L=Dw​∈1−Lipschitzmax​{Original Critic Loss Ex∼Pdata​​[Dw​(x)]−Ex∼PG​​[Dw​(x)]​​−Gradient Penalty λEx∼Ppenalty​​[∣∣∇x​D(X)∣∣p​−1]2​​}

2.1 Gradient Penalty方法

• 论文中作者提出，其实没必要在整个样本空间上施加Lipschitz限制，只要重点抓住生成样本集中区域、真实样本集中区域以及夹在它们中间的区域就行了。
  
• 具体地，先随机采样一对真假样本，还有一个 [0,1] 之间的随机数：
  $$x_{data}\sim P_{data}，x_G\sim P_G，\epsilon \sim Uniform[0,1]$$
• 然后在 $x_{data}$ 和 $x_G$ 的连线上随机插值采样：
  $$x_{penalty}=\epsilon x_{data}+(1-\epsilon )x_G$$
• 把按照上述流程采样得到的 $x_{penalty}$ 所满足的分布记为 $P_{penalty}$，得到最终版本的判别器Loss:
  − L = max ⁡ D w ∈ 1 − L i p s c h i t z { E x ∼ P d a t a [ D w ( x ) ] − E x ∼ P G [ D w ( x ) ] ⏟ Original Critic Loss − λ E x ∼ P p e n a l t y [ ∣ ∣ ∇ x D ( X ) ∣ ∣ p − 1 ] 2 ⏟ Gradient Penalty } \color{red}{-L = \max_{D_w∈1-Lipschitz} \{\underbrace{\mathbb{E}_{x \sim P_{data}} [D_w(x)] - \mathbb{E}_{x \sim P_G} [D_w(x)]}_{\text{Original\ Critic\ Loss}}-\underbrace{λ\mathbb{E}_{x\sim P_{penalty}}[||\nabla_x D(X)||_p-1]^2}_{\text{Gradient\ Penalty}}\}} −L=Dw​∈1−Lipschitzmax​{Original Critic Loss Ex∼Pdata​​[Dw​(x)]−Ex∼PG​​[Dw​(x)]​​−Gradient Penalty λEx∼Ppenalty​​[∣∣∇x​D(X)∣∣p​−1]2​​}
• 这就是gradient penalty方法，相应的改进版的WGAN模型简称为WGAN-GP
• WGAN-GP的创新点也就在目标函数的第二项上，由于模型是对每个样本独立地施加梯度惩罚，所以判别器的模型架构中不能使用Batch Normalization， 因为它会引入同个batch中不同样本的相互依赖关系。

2.2 “WGAN 的 Weight Clipping方法” v.s “WGAN-GP 的 Gradient Penalty方法”

• Weight Clipping方法对样本全局生效，但由于间接限制判别器的梯度norm，会导致一不小心就梯度消失或梯度爆炸；
• Gradient Penalty方法只对真假样本集中区域以及真假样本中间的过度地带生效，由于直接把判别器的梯度norm限制为1附近，所以梯度的可控性较强，容易调整到合适的尺度大小。
• 实验表明，Gradient Penalty能够显著提高训练速度，解决了原始WGAN收敛缓慢的问题。

2.3 WGAN-GP的算法框图

---

---

---

参考资料：

深度学习中最常见GAN模型应用与解读
原始GAN存在的问题
原始GAN究竟出了什么问题
谈谈WGAN的理解-原始GAN存在问题
交叉熵、相对熵（KL散度）、JS散度和Wasserstein距离（推土机距离）
WGAN (原理解析)
WGAN-GP(改进的WGAN)介绍