对抗生成网络_生成对抗网络简介

不小心删掉的，补上。

---

生成对抗网络（Generative Adversarial Network，GAN）的原理是什么？以生成图片为例，比较容易说明。假设有两个网络，生成网络G（Generator）和鉴别网络D（Discriminator）。那么：

1. G是一个图片的生成网络，输入一个随机的噪声z，通过它生成图片，记做G(z)；
2. D是一个图片的鉴别网络，确认一张图片是不是“真实”。它的输入参数是x，代表一张图片，输出D（x）代表x为真实图片的概率，如果为1， 100%是真实的图片，反之输出为0，完全不是真实的图片。

在训练过程中，生成网络G尽量生成真实的图片去欺骗鉴别网络D，而鉴别网络D尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈（gaming）过程”。最后博弈的结果， G可以生成足以“以假乱真”的图片G(z)，而对D来说，它难以判定G生成的图片究竟是不是真实的，故D(G(z)) = 0.5。如图是GAN的直观表示。

GAN

数学上，GAN需要优化的目标函数如下

其中pdata（x）和pz（z）分别表示在数据空间X中定义的真实数据概率分布和潜在空间Z上定义的潜在变量z概率分布，而V（G，D）是二元交叉熵函数，通常用于二元分类问题。

由于D想要对真实或虚假样本进行分类，因此V（G，D）是分类问题目标函数的自然选择。 从D的角度来看，如果样本来自真实数据，D将最大化其输出；而如果样本来自G，D将最小化其输出。同时，G想要欺骗D，因此当虚假样本呈现给D时，它试图最大化D的输出。通过对V（G，D）求导，可计算出最优的鉴别器

把这个最优鉴别器带入前面的目标函数，则等式变为pdata（x）和pg（x）之间的Jensen Shannon Divergence（JSD）。 因此，最小化JSD（pdata || pg）的最优生成器是数据分布pdata（x），并且将最优生成器代入最优鉴别器，D变为0.5，意思是二者难以区分。

f-散度Df（pdata || pg）是一种通过特定凸函数f测量两个分布之间差异的手段。在f是凸函数并且满足f（1）= 0的条件下，Df（pdata || pg）可以充当两个分布之间的散度。 由于条件f（1）= 0，如果两个分布是等价的，它们的比率变为1并且它们的散度变为0。虽然f一般被称为生成函数，称它为f-散度函数避免与生成器G混淆。Kullback-Leibler Divergence（KLD）、逆KLD、JSD以及其他散度函数可以用特定生成函数f的f-GAN框架导出。

---

Wasserstein GAN（WGAN）提出了关于pdata（x）和pg（x）之间距离的重要研究。 GAN学习将潜在变量z变换为pg（x）的生成函数gθ，而不是直接学习概率分布pdata（x）本身。 因此，需要pg（x）和pdata（x）之间的测度来训练gθ。 WGAN建议将推土机距离（Earth Mover distance，EMD）称为Wasserstein距离，作为两种分布之间差异的度量。Wasserstein距离定义如下：

其中

表示所有联合分布的集合，γ(x，y)的边缘发布分别是pdata(x)和pg(x)。

深度卷积生成对抗器（Deep Convolutional GAN，DCGAN）为GAN提供了重要贡献，因为其建议的卷积神经网络（CNN）架构极大地稳定了GAN训练。DCGAN提出几点很有用的架构建议：

1. 鉴别器D用步幅（strided）卷积取代池化，生成器G则用分数步幅（fractional-strided）卷积取代池化；
2. 在D和G同时用批处理归一化（Batch Normalization）；
3. 去除全连接的隐含层；
4. 在G中，除了输出层以外，均采用ReLU，采用Tanh函数；
5. 在D中，全部层采用Leaky ReLU发生器。

由于DCGAN解决了训练GAN的不稳定性，成为各种GAN建模的基准。如图是DCGAN的生成器架构图。

DCGAN的一个生成器架构

如果生成器和鉴别器都以某些额外信息y为条件，例如类标签或来自其他模态的数据，则GAN扩展到条件模型，即y作为附加输入层进入鉴别器和发生器来进行调节。这个网络称为条件生成对抗网络（Conditional Generative Adversarial Nets, C-GAN ），下图给出其直观的表示。

C-GAN（条件生成对抗网络）

---

GAN现在已经在很多领域得到应用，比如图像翻译、超分辨率、目标检测、目标改变形象、图像生成和视频生成，还有那些串行数据的生成，如音乐、语言和语音等。

GAN训练的挑战性要大于CNN，一些要注意的技巧：

1. 归一化输入；
2. 修改的损失函数；
3. 使用球形噪声分布（不是均匀分布，而是高斯分布）；
4. 批量归一化；
5. 避免稀疏梯度：
   1. ReLU和Max Pooling；
6. 使用软且噪声标签；
7. 推荐DCGAN或者混合模型；
   1. KL 散度 + GAN，或VAE（Variational Autoencoder）+ GAN；
8. 使用强化学习的稳定性方法；
9. 将Adam 优化器用于生成器G，而随机梯度下降（SGD）用于鉴别器D；
10. 尽早跟踪故障；
    1. 检查梯度的模；
11. 不要通过统计平衡损失（除非你有充分的理由）；
12. 如果你有标签，最好用它们；
    1. 辅助（Auxillary ）GAN；
13. 向输入添加噪声，并随时间逐渐衰减；
14. （不确定）训练鉴别器更多些，（有时候）特别是有噪音的时候；
15. （不确定）批量鉴定（Batch Discrimination）；
16. 采用C-GAN中的离散变量；
17. 在训练/测试阶段，在G中使用放弃（Dropout）。