这是我很膜拜的一个大神写的,源链接:
https://kexue.fm/archives/5776
By 苏剑林 | 2018-08-11 | 2638位读者 |
前言:自从在机器之心上看到了glow模型之后(请看《下一个GAN?OpenAI提出可逆生成模型Glow》),我就一直对其念念不忘。现在机器学习模型层出不穷,我也经常关注一些新模型动态,但很少像glow模型那样让我怦然心动,有种“就是它了”的感觉。更意外的是,这个效果看起来如此好的模型,居然是我以前完全没有听说过的。于是我翻来覆去阅读了好几天,越读越觉得有意思,感觉通过它能将我之前的很多想法都关联起来。在此,先来个阶段总结。
背景 #
本文主要是《NICE: Non-linear Independent Components Estimation》一文的介绍和实现。这篇文章也是glow这个模型的基础文章之一,可以说它就是glow的奠基石。
艰难的分布 #
众所周知,目前主流的生成模型包括VAE和GAN,但事实上除了这两个之外,还有基于flow的模型(flow可以直接翻译为“流”,它的概念我们后面再介绍)。事实上flow的历史和VAE、GAN它们一样悠久,但是flow却鲜为人知。在我看来,大概原因是flow找不到像GAN一样的诸如“造假者-鉴别者”的直观解释吧,因为flow整体偏数学化,加上早期效果没有特别好但计算量又特别大,所以很难让人提起兴趣来。不过现在看来,OpenAI的这个好得让人惊叹的、基于flow的glow模型,估计会让更多的人投入到flow模型的改进中。
glow模型生成的高清人脸
生成模型的本质,就是希望用一个我们知道的概率模型来拟合所给的数据样本,也就是说,我们得写出一个带参数θθ的分布qθ(x)qθ(x)。然而,我们的神经网络只是“万能函数拟合器”,却不是“万能分布拟合器”,也就是它原则上能拟合任意函数,但不能随意拟合一个概率分布,因为概率分布有“非负”和“归一化”的要求。这样一来,我们能直接写出来的只有离散型的分布,或者是连续型的高斯分布。
当然,从最严格的角度来看,图像应该是一个离散的分布,因为它是由有限个像素组成的,而每个像素的取值也是离散的、有限的,因此可以通过离散分布来描述。这个思路的成果就是PixelRNN一类的模型了,我们称之为“自回归流”,其特点就是无法并行,所以计算量特别大。所以,我们更希望用连续分布来描述图像。当然,图像只是一个场景,其他场景下我们也有很多连续型的数据,所以连续型的分布的研究是很有必要的。
各显神通 #
所以问题就来了,对于连续型的,我们也就只能写出高斯分布了,而且很多时候为了方便处理,我们只能写出各分量独立的高斯分布,这显然只是众多连续分布中极小的一部分,显然是不够用的。为了解决这个困境,我们通过积分来创造更多的分布:
q(x)=∫q(z)q(x|z)dz(1)(1)q(x)=∫q(z)q(x|z)dz
这里q(z)q(z)一般是标准的高斯分布,而qθ(x|z)=qθ(x|z)qθ(x|z)=qθ(x|z)可以选择任意的条件高斯分布或者狄拉克分布。这样的积分形式可以形成很多复杂的分布。理论上来讲,它能拟合任意分布。
现在分布形式有了,我们需要求出参数θθ,那一般就是最大似然,假设真实数据分布为p~(x)p~(x),那么我们就需要最大化目标
Ex∼p~(x)[logq(x)](2)(2)Ex∼p~(x)[logq(x)]
然而qθ(x)qθ(x)是积分形式的,能不能算下去很难说。
于是各路大神就“八仙过海,各显神通”了。其中,VAE和GAN在不同方向上避开了这个困难。VAE没有直接优化目标(2)(2),而是优化一个更强的上界,这使得它只能是一个近似模型,无法达到良好的生成效果。GAN则是通过一个交替训练的方法绕开了这个困难,确实保留了模型的精确性,所以它才能有如此好的生成效果。但不管怎么样,GAN也不能说处处让人满意了,所以探索别的解决方法是有意义的。
直面概率积分 #
flow模型选择了一条“硬路”:直接把积分算出来。
具体来说,flow模型选择q(x|z)q(x|z)为狄拉克分布δ(x−g(z))δ(x−g(z)),而且g(z)g(z)必须是可逆的,也就是说
x=g(z)⇔z=f(x)(3)(3)x=g(z)⇔z=f(x)
要从理论上(数学上)实现可逆,那么要求zz和xx的维度一样。假设f,gf,g的形式都知道了,那么通过(1)(1)算q(x)q(x)相当于是对q(z)q(z)做一个积分变换z=f(x)z=f(x)。即本来是
q(z)=1(2π)D/2exp(−12∥z∥2)(4)(4)q(z)=1(2π)D/2exp(−12‖z‖2)
的标准高斯分布(DD是zz的维度),现在要做一个变换z=f(x)z=f(x)。注意概率密度函数的变量代换并不是简单地将zz替换为f(x)f(x)就行了,还多出了一个“雅可比行列式”的绝对值,也就是
q(x)=1(2π)D/2exp(−12∥∥f(x)∥∥2)∣∣∣det[∂f∂x]∣∣∣(5)(5)q(x)=1(2π)D/2exp(−12‖f(x)‖2)|det[∂f∂x]|
这样,对ff我们就有两个要求:
1、可逆,并且易于求逆函数(它的逆gg就是我们希望的生成模型);
2、对应的雅可比行列式容易计算。
这样一来
logq(x)=−D2log(2π)−12∥∥f(x)∥∥2+log∣∣∣det[∂f∂x]∣∣∣(6)(6)logq(x)=−D2log(2π)−12‖f(x)‖2+log|det[∂f∂x]|
这个优化目标是可以求解的。并且由于ff容易求逆,因此一旦训练完成,我们就可以随机采样一个zz,然后通过ff的逆来生成一个样本f−1(z)=g(z)f−1(z)=g(z),这就得到了生成模型。
flow #
前面我们已经介绍了flow模型的特点和难点,下面我们来详细展示flow模型是如何针对难点来解决问题的。因为本文主要是介绍第一篇文章《NICE: Non-linear Independent Components Estimation》的工作,因此本文的模型也专称为NICE。
分块耦合层 #
相对而言,行列式的计算要比函数求逆要困难,所以我们从“要求2”出发思考。熟悉线性代数的朋友会知道,三角阵的行列式最容易计算:三角阵的行列式等于对角线元素之积。所以我们应该要想办法使得变换ff的雅可比矩阵为三角阵。NICE的做法很精巧,它将DD维的xx分为两部分x1,x2x1,x2,然后取下述变换:
h1=x1h2=x2+m(x1)(7)(7)h1=x1h2=x2+m(x1)
其中x1,x2x1,x2是xx的某种划分,mm是x1x1的任意函数。也就是说,将xx分为两部分,然后按照上述公式进行变换,得到新的变量hh,这个我们称为“加性耦合层”(Additive Coupling)。不失一般性,可以将xx各个维度进行重排,使得x1=x1:dx1=x1:d为前dd个元素,x2=xd+1:Dx2=xd+1:D为d+1∼Dd+1∼D个元素。
不难看出,这个变换的雅可比矩阵[∂h∂x][∂h∂x]是一个三角阵,而且对角线全部为1,用分块矩阵表示为
[∂h∂x]=(Id[∂m∂x1]OId:D)(8)(8)[∂h∂x]=(IdO[∂m∂x1]Id:D)
这样一来,这个变换的雅可比行列式为1,其对数为0,这样就解决了行列式的计算问题。
同时,(7)(7)式的变换也是可逆的,其逆变换为
x1=h1x2=h2−m(h1)(9)(9)x1=h1x2=h2−m(h1)
细水长flow #
上面的变换让人十分惊喜:可逆,而且逆变换也很简单,并没有增加额外的计算量。尽管如此,我们可以留意到,变换(7)(7)的第一部分是平凡的(恒等变换),因此单个变换不能达到非常强的非线性,所以我们需要多个简单变换的复合,以达到强非线性,增强拟合能力。
x=h(0)↔h(1)↔h(2)↔⋯↔h(n−1)↔h(n)=z(10)(10)x=h(0)↔h(1)↔h(2)↔⋯↔h(n−1)↔h(n)=z
其中每个变换都是加性耦合层。这就好比流水一般,积少成多,细水长流,所以这样的一个流程成为一个“流(flow)”。也就是说,一个flow是多个加性耦合层的耦合。
由链式法则
[∂z∂x]=[∂h(n)∂h(0)]=[∂h(n)∂h(n−1)][∂h(n−1)∂h(n−2)]…[∂h(1)∂h(0)](11)(11)[∂z∂x]=[∂h(n)∂h(0)]=[∂h(n)∂h(n−1)][∂h(n−1)∂h(n−2)]…[∂h(1)∂h(0)]
因为“矩阵的乘积的行列式等于矩阵的行列式的乘积”,而每一层都是加性耦合层,因此每一层的行列式为1,所以结果就是
det[∂z∂x]=det[∂h(n)∂h(n−1)]det[∂h(n−1)∂h(n−2)]…det[∂h(1)∂h(0)]=1det[∂z∂x]=det[∂h(n)∂h(n−1)]det[∂h(n−1)∂h(n−2)]…det[∂h(1)∂h(0)]=1
(考虑到下面的错位,行列式可能变为-1,但绝对值依然为1),所以我们依然不用考虑行列式。
交错中前进 #
要注意,如果耦合的顺序一直保持不变,即
h(1)1=x1h(1)2=x2+m1(x1)h(3)1=h(2)1h(3)2=h(2)2+m3(h(2)1)h(2)1=h(1)1h(2)2=h(1)2+m2(h(1)1)h(4)1=h(3)1h(4)2=h(3)2+m4(h(3)1)…(12)(12)h1(1)=x1h2(1)=x2+m1(x1)h1(2)=h1(1)h2(2)=h2(1)+m2(h1(1))h1(3)=h1(2)h2(3)=h2(2)+m3(h1(2))h1(4)=h1(3)h2(4)=h2(3)+m4(h1(3))…
那么最后还是z1=x1z1=x1,第一部分依然是平凡的,如下图
简单的耦合使得其中一部分仍然保持恒等,信息没有充分混合
为了得到不平凡的变换,我们可以考虑在每次进行加性耦合前,打乱或反转输入的各个维度的顺序,或者简单地直接交换这两部分的位置,使得信息可以充分混合,比如
h(1)1=x1h(1)2=x2+m1(x1)h(3)1=h(2)1h(3)2=h(2)2+m3(h(2)1)h(2)1=h(1)1+m2(h(1)2)h(2)2=h(1)2h(4)1=h(3)1+m4(h(3)2)h(4)2=h(3)2…(13)(13)h1(1)=x1h2(1)=x2+m1(x1)h1(2)=h1(1)+m2(h2(1))h2(2)=h2(1)h1(3)=h1(2)h2(3)=h2(2)+m3(h1(2))h1(4)=h1(3)+m4(h2(3))h2(4)=h2(3)…
如下图
通过交叉耦合,充分混合信息,达到更强的非线性
尺度变换层 #
在文章的前半部分我们已经指出过,flow是基于可逆变换的,所以当模型训练完成之后,我们同时得到了一个生成模型和一个编码模型。但也正是因为可逆变换,随机变量zz和输入样本xx具有同一大小。当我们指定zz为高斯分布时,它是遍布整个DD维空间的,DD也就是输入xx的尺寸。但虽然xx具有DD维,但它未必就真正能遍布整个DD维空间,比如MNIST图像虽然有784个像素,但有些像素不管在训练集还是测试集,都一直保持为0,这说明它远远没有784维那么大。
也就是说,flow这种基于可逆变换的模型,天生就存在比较严重的维度浪费问题:输入数据明明都不是D维流形,但却要编码为一个D维流形,这可行吗?
为了解决这个情况,NICE引入了一个尺度变换层,它对最后编码出来的每个维度的特征都做了个尺度变换,也就是z=s⊗h(n)z=s⊗h(n)这样的形式,其中s=(s1,s2,…,sD)s=(s1,s2,…,sD)也是一个要优化的参数向量(各个元素非负)。这个ss向量能识别该维度的重要程度(越小越重要,越大说明这个维度越不重要,接近可以忽略),起到压缩流形的作用。注意这个尺度变换层的雅可比行列式就不再是1了,可以算得它的雅可比矩阵为对角阵
[∂z∂h(n)]=diag(s)(14)(14)[∂z∂h(n)]=diag(s)
所以它的行列式为∏isi∏isi。于是根据(6)(6)式,我们有对数似然
logq(x)∼−12∥∥s⊗f(x)∥∥2+∑ilogsi(15)(15)logq(x)∼−12‖s⊗f(x)‖2+∑ilogsi
为什么这个尺度变换能识别特征的重要程度呢?其实这个尺度变换层可以换一种更加清晰的方式描述:我们开始设zz的先验分布为标准正态分布,也就是各个方差都为1。事实上,我们可以将先验分布的方差也作为训练参数,这样训练完成后方差有大有小,方差越小,说明该特征的“弥散”越小,如果方差为0,那么该特征就恒为均值0,该维度的分布坍缩为一个点,于是这意味着流形减少了一维。
不同于(4)(4)式,我们写出带方差的正态分布:
q(z)=1(2π)D/2∏i=1Dσiexp(−12∑i=1Dz2iσ2i)(16)(16)q(z)=1(2π)D/2∏i=1Dσiexp(−12∑i=1Dzi2σi2)
将流模型z=f(x)z=f(x)代入上式,然后取对数,类似(6)(6)式,我们得到
logq(x)∼−12∑i=1Df2i(x)σ2i−∑i=1Dlogσi(17)(17)logq(x)∼−12∑i=1Dfi2(x)σi2−∑i=1Dlogσi
对比(15)(15)式,其实就有si=1/σisi=1/σi。所以尺度变换层等价于将先验分布的方差(标准差)也作为训练参数,如果方差足够小,我们就可以认为该维度所表示的流形坍缩为一个点,从而总体流形的维度减1,暗含了降维的可能。
特征解耦 #
当我们将先验分布选为各分量独立的高斯分布时,除了采样上的方便,还能带来什么好处呢?
在flow模型中,f−1f−1是生成模型,可以用来随机生成样本,那么ff就是编码器。但是不同于普通神经网络中的自编码器“强迫低维重建高维来提取有效信息”的做法,flow模型是完全可逆的,那么就不存在信息损失的问题,那么这个编码器还有什么价值呢?
这就涉及到了“什么是好的特征”的问题了。在现实生活中,我们经常抽象出一些维度来描述事物,比如“高矮”、“肥瘦”、“美丑”、“贫富”等,这些维度的特点是:“当我们说一个人高时,他不是必然会肥或会瘦,也不是必然会有钱或没钱”,也就是说这些特征之间没有多少必然联系,不然这些特征就有冗余了。所以,一个好的特征,理想情况下各个维度之间应该是相互独立的,这样实现了特征的解耦,使得每个维度都有自己独立的含义。
这样,我们就能理解“先验分布为各分量独立的高斯分布”的好处了,由于各分量的独立性,我们有理由说当我们用ff对原始特征进行编码时,输出的编码特征z=f(x)z=f(x)的各个维度是解耦的。NICE的全称Non-linear Independent Components Estimation,翻译为“非线性独立成分估计”,就是这个含义。反过来,由于zz的每个维度的独立性,理论上我们控制改变单个维度时,就可以看出生成图像是如何随着该维度的改变而改变,从而发现该维度的含义。
类似地,我们也可以对两幅图像的编码进行插值(加权平均),得到过渡自然的生成样本,这些在后面发展起来的glow模型中体现得很充分。不过,我们后面只做了MNIST实验,所以本文中就没有特别体现这一点。
实验 #
这里我们用Keras重现NICE一文中的MNIST的实验。
模型细节 #
先来把NICE模型的各个部分汇总一下。NICE模型是flow模型的一种,由多个加性耦合层组成,每个加性耦合层如(7)(7),它的逆是(9)(9)。在耦合之前,需要反转输入的维度,使得信息充分混合。最后一层需要加个尺度变换层,最后的loss是(15)(15)式的相反数。
加性耦合层需要将输入分为两部分,NICE采用交错分区,即下标为偶数的作为第一部分,下标为奇数的作为第二部分,而每个m(x)m(x)则简单地用多层全连接(5个隐藏层,每个层1000节点,relu激活)。在NICE中一共耦合了4个加性耦合层。
对于输入,我们将原来是0~255的图像像素压缩为0~1之间(直接除以255),然后给输入加上噪声[−0.01,0][−0.01,0]的均匀分布噪声。噪声的加入能够有效地防止过拟合,提高生成的图片质量。它也可以看成是缓解维度浪费问题的一个措施,因为实际上MNIST的图像没有办法充满784维,但如果算上噪声,维度就增加了。
读者或许会好奇,为什么是噪声区间是[−0.01,0][−0.01,0],而不是[0,0.01][0,0.01]或[−0.005,0.005][−0.005,0.005]?事实上从loss看来各种噪声都差不多(包括将均匀分布换成高斯分布)。但是加入噪声后,理论上生成的图片也会带有噪声,这不是我们希望的,而加入负噪声,会让最终生成的图片的像素值稍微偏向负区间,这样我只要用clip操作就可以去掉一部分噪声,这是针对MNIST的一个(不是特别重要的)小技巧罢了。
参考代码 #
这里是我用Keras实现的参考代码:
https://github.com/bojone/flow/blob/master/nice.py
在我的实验中,20个epoch内可以跑到最优,11s一个epoch(GTX1070环境),最终的loss约为-2200。
相比于原论文的实现,这里做了一些改动。对于加性耦合层,我用了(9)(9)式作为前向,(7)(7)式作为其逆向。因为m(x)m(x)用relu激活,我们知道relu是非负的,因此两种选择是有点差别的。因为正向是编码器,而逆向是生成器,选用(7)(7)式作为逆向,那么生成模型更倾向于生成正数,这跟我们要生成的图像是吻合的,因为我们需要生成的是像素值为0~1的图像。
nice模型生成的数字样本(无噪声训练)
nice模型生成的数字样本(带负噪声训练)
退火参数 #
虽然我们最终希望从标准正态分布中采样随机数来生成样本,但实际上对于训练好的模型,理想的采样方差并不一定是1,而是在1上下波动,一般比1稍小。最终采样的正态分布的标准差,我们称之为退火参数。比如上面的参考实现中,我们的退火参数选为0.75,目测在这时候生成模型的质量最优。
总结 #
NICE的模型还是比较庞大的,按照上述模型,模型的参数量约为4×5×10002=2×1074×5×10002=2×107,也就是两千万的参数只为训练一个MNIST生成模型,也是夸张~
NICE整体还是比较简单粗暴的,首先加性耦合本身比较简单,其次模型mm部分只是简单地用到了庞大的全连接层,还没有结合卷积等玩法,因此探索空间还有很大,Real NVP和glow就是它们的两个改进版本,它们的故事我们后面再谈。
转载到请包括本文地址:https://kexue.fm/archives/5776