GAN

生成对抗网络(GAN)基础

组成：
D： 判别网络
G： 生成网络
Loss：判别是真实模型的概率：是／否真值
原理
z: 均匀分布变量 x：某空间的数据 zx 生成某空间数据
黑线：目标标准分布 绿线：生成数据分布
蓝线：判断函数 （根据x大小判断是否真实的概率）

1. 初始状态：生成数据同真实数据差距明显，容易判别
2. 训练过程：对是否真实判断得到的loss引导生成模型更新，
   差距减少
3. 最终状态：生成数据同真实数据相似，无法识别
4. 假设前提：判别模型D，生成模型G具有学习能力，能够收
   敛
   目标：
   G：relu＋sigmoid nn；D：maxout

生成对抗网络 优点：

1. 不需要大量label数据，
   loss来源于D判定
2. 产生大量生成数据用
   于训练，接近无监督学
   习
3. 可以和深度神经网络
   结合

缺点：

1. 数据直接生成，没有
   推导过程
2. 生成器，判别器需要
   配合共同训练难度较大
3. 容易出现训练失败

生成对抗网络

可能性：

1. 连接神经网络扩展
2. 输入不仅是噪声信号
3. 时域信号生成

深度GAN

卷积神经网络＋GAN
变化：生成器 G；判别器 D(conv feat ->1)

DCGAN结构细节

1. 没有pooling， stride conv或deconv
2. 运用batchnorm
3. 不要FC
4. 非线性激励ReLU(G), LeakyReLU (D).

特征研究

向量运算
噪声输入运算，生成不同图片
向量运算
方向插值，生成中间朝向数据

DCGAN总结

1. GAN同深度CNN网络结合
2. 噪声输入有着重要作用，可以实现有意义运
   算
3. 对输入信号实际意义可以有更深研究，定性
   输出有可能

条件GAN

 cGAN（conditional）
用一些信息对GAN的生成图片进行范围约束
信息的类型：文字；图片
训练过程输入：
随机信息＋ 约束信息特征
约束条件是图片－生成相关的图片
映射关系无限可能
图片分割
轮廓生成
热图生成
图片补全
高精度生成

模型结构

随机输入同图片结合，
G学习图片到转化图片的映射
关系，D判断生成图片和真实
图片是否一致


cGAN（conditional）
模型结构：D：PatchGAN
图片整体优化会造成生成的图片边界模糊，高
频信息难以估计。
解决方案：判别器关注在local区域

INFOGAN

DCGAN中，随机参数z的值有一定实际意义，如果有
text label可以学习这种约束关系，如果没有label数据，
能否自动学会确定映射关系？

InfoGAN: 自动学习z中部分变量意义

1. Z分为两部分，c和z
2. c代表数据分布某种物理意义，z随机信号
3. DCGAN，InfoGAN 没有额外数据标注
   DCGAN z对生成数据控制作用不确定，需要尝试观察
   InfoGAN 没有额外标注，能够学到c与生成图片关系。 引
   入Mutual Info概念。参与目标函数的确定，关系越紧密I越
   高，训练过程使Mutual Info高，实现生成图片同c的联系。 InfoGAN结果
   确定c向量长度
   观察各个c物理意义
   特点：无监督学习
   自动学到模式
   可用于生成特点图片
   要求：训练图片模式
   比较明显

Wasserstein GAN

GAN存在问题

训练困难，G k次，D一次。。
Loss无法知道优化
生成样本单一
改进方案靠暴力尝试

原因

Loss函数选择不合适，使模型容易面临梯度消失，
梯度不稳定，优化目标不定导致模型失败

WGAN特点

1. 无需平衡D，G的训练组合
2. 解决collapse model问题，保证样本多样性
3. 结构更改简单有效

改进方法：

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. 判别器的参数更新截断
4. 不要用基于动量的优化算法