TensorFlow+深度学习笔记5

TensorFlow+深度学习笔记5

标签（空格分隔）： TensorFlow+深度学习笔记

---

本周掌握的内容：

• 理解了GAN网络的历史、结构、重要性；
• 学习了pix2pix论文，并在facades数据集上面完成模型训练和测试。
• 在pix2pix的基础上重新阅读了zi2zi代码，并完成模型测试。

---

Task 6：Generation and Segmentation

方向：图像生成

学习清单：

• 学习理解 GAN
• 学习 pix2pix 论文，并重现论文实验

参考资料：

• 深度 | 生成对抗网络初学入门：一文读懂GAN的基本原理（附资源）
• 干货 | 直观理解GAN背后的原理：以人脸图像生成为例
• 生成式对抗网络GAN研究进展（二）——原始GAN
• pix2pix论文以及代码

---

GAN网络架构

GAN基本原理

  

上图来自机器之心

对抗生成网络主要由生成部分G，和判别部分D组成。训练过程描述如下
  1. 输入噪声z（隐藏变量）
  2. 通过生成器Generator 得到生成数据G(z)
  3. 从真实数据集中取一部分真实数据 x
  4. 将两者混合 x + G(z)
  5. 将数据喂入判别器Discriminator ，给定标签 x = 1, G(z) = 0（简单的二类分类器）
  6. 按照分类结果，回传loss
  在整个过程中， D(判别器)要尽可能的使 D(x) -> 1，D(G(z)) -> 0 。而 G(生成器)则要使得 D(G(z)) -> 1，即让生成的图片尽可能以假乱真。整个训练过程就像是两个玩家在相互对抗，也正是这个名字Adversarial的来源。
  机器学习的模型可大体分为两类，生成模型（Generative Model）和判别模（Discriminative Model）。GAN就是将Generator和Discriminator紧密结合起来（两者相互讨论，相互进化）。

  生成模型可以被看作是一队伪造者，试图伪造货币，不被人发觉，然而辨别模型可被视作一队警察，努力监察假的货币。游戏当中的竞争使得这两队不断的改善方法，直到无法从真实的物品中辨别出伪造的。
  在理想最优状态，生成器将知道如何生成真实的人脸图片，辨别器也会知道人脸的组成部分。

  链接2提供了一个有趣的对话来理解生成器和判别器的关系：

初级状态：

G:我有一张人脸图片，它跟你以前见过的相比，足够真实吗？
D:比较真实但也比较像是你生成的图片。(对真实图片，辨别器产生 0.4 的概率) 我不太确定但我猜你给我的应该是一张生成的图片。
G:你猜对了！是我生成的一张图片。我应该怎样调整来让它更真实呢？
D:让我想一下 (实际上在大脑里在做反向传播运算) 我认为你应该往图片里添加一对眼睛，人脸图片通常会包含眼睛。
(技术上来说:我认为你应该增加第 0 号像素的灰度值增加 1，第 1 号像素的灰度值减少 5 个，…, 第 4095 个像素的灰度值增加 8 个)
G:收到 (反向传播那些梯度给所有的权重)

较优状态：

G:我有一张人脸图片，它跟你以前见过的人脸图片相比足够真实吗？
D:这张图片真的很真实 (对真实图片，辨别器会产生 0.5 的概率) 但是这张图片是不是真的，我完全没有头绪。因为显而易见的是，你在生成真实图片上做的太好了。
G:这是我生成的一张图片。我知道这已经是真实的了但是我想要更多，我应该如何调整来使它变的更真实？
D:让我想一下 (实际上大脑里在做反向传播) 我认为你的图片已经有了我认为需要有的部分。我看起来非常真实。显然你的图片包含眼睛，嘴巴，耳朵，头发，图片里是一张年轻男孩的脸。我不认为我有建议的东西。但是如果你想的话，可以把年轻男孩的胡须去掉。
(技术上来说，我认为你第 0 个像素灰度值增加 6，第 1 个像素灰度值减少 7，…，第 4095 个像素灰度值增加 2。)
G:收到 (反向传播那些梯度给所有的权重)

最优状态：

生成器会生成真实的图片，辨别器不再能辨别生成的图片。它们在无人监督的情况下也都能理解胡须，眼睛，嘴巴，头发，年轻的脸庞。已经达到了一种平衡。

  理论的GAN模型很不稳定，训练难度比较大。一些改进的GAN使得训练变得相对简单和稳定（所以对抗网络的稳定训练，依然是一个研究的热点和方向）：

• 深度卷积生成对抗网络（DCGAN）
    相对于原生GAN，DCGAN最大的特点就是使用了卷积层：
    下图是DCGAN生成器的网络结构：
    
    从输入的100维噪声到输出的64*64*3的图像，这中间经历了“反卷积过程”（卷积操作的逆过程）
    下图是DCGAN判别器的网络结构：
    
    可以参考链接DCGAN对抗卷积神经网络总结

• 条件 GAN（Conditional GAN）
    
    这里的x代表真实数据，z代表噪声，绿色的y是标签。
    这部分参考了两个连接Conditional Generative Adversarial Nets论文笔记、Conditional Generative Adversarial Nets
    论文作者的两个实验所使用的数据都是带有标签的，并且根据有无监督学习的定义来看，conditional GAN属于有监督学习（原生GAN没有加入标签数据y，属于无监督学习）。
    原生的GAN训练起来太过自由，不够稳定。使用y这个额外的条件变量，对生成器对数据的生成具有指导作用，解决了训练太过自由的问题。

GAN优缺点

优点：

• 根据实际的结果，它们看上去可以比其它模型产生了更好的样本
• 生成对抗式网络框架能训练任何一种生成器网络
• 不需要设计遵循任何种类的因式分解的模型，任何生成器网络和任何鉴别器都会有用。
• 无需利用马尔科夫链反复采样，无需在学习过程中进行推断（Inference），回避了近似计算棘手的概率的难题。

缺点：

• 解决不收敛（non-convergence）的问题
• 难以训练：崩溃问题（collapse problem）
• 无需预先建模，模型过于自由不可控。

---

论文学习报告

1 论文工作与贡献

  这篇文章研究了conditional adversarial networks是否可以作为一种解决image-to-image转换问题的通用方法。最后的结论是conditional adversarial networks可以作为解决这类问题的通用方法。
  image-to-image转换问题可以理解为给定一张输入图像，得到满足需求的输出图像（例如输入图像是低分辨率，输出图像是高分辨率；输入图像是手绘线条图，输出图像是油画等等）。然而对于不同的输出目的，需要不同的解决方法（使用不同的神经网络、选择不同的损失函数来达到目的）。但是本篇论文所使用的conditional adversarial networks可以解决所有问题，只需要给足够的训练数据，网络就能够学习训练数据的特征分布得到相应模型，使用这个模型我们就能够预测（生成）符合训练数据特征的图像。
  在学习笔记1中我运行了一个基于CNN风格转变的代码，也知道CNN可以被大量使用来解决此类问题（image-to-image转换问题），但是这并不是完全自动的算法，还是需要告诉CNN如何才能得到符合我们目的的结果（选择合适的损失函数，使用不同的损失函数可能得到不同的结果，模糊的，锐化的等等）。
  本文使用的conditional adversarial networks可以使我们站在更高的维度去解决这个问题，我们只需要告诉网络：“使生成的图像要和真实的图像难以区分”，这时网络就能够自动学习损失函数（而不需要我们手动选择和比较）生成符合要求的图像。但是使用原生的GAN，就会导致很多问题（训练太自由、不稳定等等），本文给GAN加了约束条件，变成了条件GAN，这是对原生GAN的一种改进，是把无监督的GAN变成有监督模型的一种改进。最终取得了很好的结果。

  论文的贡献主要有以下两点：

• 证明了对于绝大多数image-to-image转换问题，条件GAN是一种通用的方法，可以得到符合要求的结果
• 提出了一个简单的网络框架，并且得到了很好的结果，并分析了几个比较重要的体系结构。

2 相关工作

  1 结构性损失（structured loss）:
  在传统的方法中，每一个输出的像素都和输入图像的其它像素是条件独立的（unstructured loss），然而conditional GANs学习到的是structured loss。有大量的文献使用了这种loss：

  conditional GAN与前面提到的工作的不同之处在于它的loss是学习来的，并且从理论上说conditional GAN还可以惩罚输出图像和目标图像之间的特征差异。

  2 使用GAN（条件或非条件）:
  本文并不是第一次做conditional GAN的相关工作，在此之前已经有过大量的工作：

  此外还有一些使用非条件GAN的工作：

  但是这些工作都有一个共同的特点：它们不具备泛化性，也就是说它们的方法都只能用来解决某一方面的问题（超分辨率、图像修复等等）。但是本文的方法具有很强的通用性，可以解决多种问题。
  此外本文使用的GAN还有一些不同：生成器使用U-Net体系结构，判别器使用PatchGAN。这里的Patch很好理解，Patch的英文翻译是“补丁，小块”，在这里我们可以理解为图像的某一个部分（比如25*25的图像，它的左上角3*3的部分图像就是它的一个Patch）。判别器使用PatchGAN，这也就呼应了前面提到的structured loss，很显然每一个输出像素都和Patch的其它像素是有联系的。本文还研究了不同patch size对结果的影响。

3 论文提出的网络架构与方法原理

方法原理：

生成器G：

  其中x是输入图像，z是随机噪声，y是输出图像。生成器G的目的就是使得生成的y导致判别器难以分别其真假。
判别器D：
  判别器的目的就是要尽可能分辨出假的图像。

cGAN的目标：

  生成器G要使得上式最小化，判别器D则要使其最大化，最终达到一个平衡。
  文章为了测试判别器的重要性，除去了判别器中的参数x：

  第一个式子证明了使用越传统的loss（例如L2），就越容易最小化；第二个式子也得出相同的结论。然而生成器G的任务不仅需要尽可能欺骗判别器D，还要使得L2尽可能小。作者探索了这个问题，将L2替换成L1，最终使用的objective如下：

  此外文章还讨论了是否使用噪声z带来的影响。如何除去z，将产生确定性输出，因此不能匹配除δ函数以外的任何分布。作者最终使用的噪声是dropout处理后的噪声，并且取得了很好的效果。

网络架构：

  作者使用的生成器G和判别器D的体系结构来自于文章UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS
，生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块。
  生成器：
  很多之前的工作都是使用这样的结构：encoder-decoder。如下：

就是将输入图像一直下采样，直到一个“瓶颈层”，然后开始上采样，最终得到的输出和原始输入有相同的大小。这个操作导致大量的low-level图像信息传输到输出图像。为了规避这个瓶颈，文章使用了U-Net结构：

以“瓶颈层”为界限，下采样层和上采样层对应有skip connection。

  判别器：
  对于低频图像信息，L1或L2都能很好地捕获，所以不需要寻找其它方法来完成这个工作。低频图像信息是图像的大致轮廓（模糊的图像）。
  对于高频图像信息，使用PatchGAN结构，这里判别器只需判断每一个patch的真假，判别器使用一个N*N的filter在输入图像上采样，采样的结果就是一个patch，然后判断这个patch的真假。最终在对输入图像进行卷积式地采样工作结束后，将所有patch的结果做一个平均，得到的平均值就是这张图像的真假结果。文章还证明了即使filter的N值很小也可以得到很好的结果，这侧面展示了一个优点：使用较小的N值使得所需参数更少，计算更快，可以将算法使用在任意大小的图像上面。

  优化：
  文章有4个优化点，如下对每个优化点使用不同颜色标出：

4 论文实验细节

  泛化性：
  为了证明文章使用结构的泛化性，作者在多个数据集上面做了测试：

  作者发现使用比较少的数据集也能生成像样的结果，作者使用的是facades数据集（我做测试的时候也使用的是这个）。在单个Pascal Titan X GPU训练不到两个小时就结束了（我训练模型的时候用了4个小时，也是在单个GPU上训练，这次我加入了控制GPU资源使用的代码，因为tensorflow默认占用全部资源，相关链接见笔记1），最后测试的时候生成一张新图像一秒钟就可以搞定（我的也是这样，非常快）。
  评价指标：
  作者使用的评价指标有两个

• AMT perceptual studies
• “FCN-score”

  分析objective function：
  文章对所使用的objective function的每一个部分的重要性做了分析，并对无条件和有条件输入的判别器进行对比。

  可以看出L1得到比较模糊的图像，cGAN得到比较锐化的图像，当objective function中的参数 λ = 100的时候得到L1+cGAN的结果。

  作者使用FCN-score来评价上面的图像，发现L1+cGAN的分数最高。此外文章还指出使用cGAN而不是GAN，会使得得到的结果色彩更加鲜艳。此外L1得到的结果更加趋向模糊和灰度（颜色和原图相比不够鲜艳）。

  分析生成器：
  文章分析了U-Net的特点，得到了如下的结果：
  
  
  可以看到U-Net使得结果效果更好

  分析判别器：
  文章使用不同的patch size做了实验（从1到286），结果如下：
  
  
  最后作者指出本文所使用的patch size为70，loss为L1+cGAN。
  此外文章还讨论了语义分割的相关问题。

  实验结论：
  文章最后得到的结论是作者所使用的网络结构具有很强的泛化性，能够解决很多image-to-image转换问题。

---

代码讲解

  前面的笔记已经分析了很多卷积操作、池化操作等等比较基础的代码，这次我将详细介绍作者代码的生成器和判别器部分，其它细节将略过。

#生成器
def create_generator(generator_inputs, generator_outputs_channels):
    layers = []

    # encoder_1: [batch, 256, 256, in_channels] => [batch, 128, 128, ngf]
    # 这部分是卷积操作a.ngf参数是outputs_channels
    with tf.variable_scope("encoder_1"):
        output = gen_conv(generator_inputs, a.ngf)
        layers.append(output)

    #生成器的encoder部分，这里是下采样操作，但是可以看出outputs_channels在增加
    layer_specs = [
        a.ngf * 2, # encoder_2: [batch, 128, 128, ngf] => [batch, 64, 64, ngf * 2]
        a.ngf * 4, # encoder_3: [batch, 64, 64, ngf * 2] => [batch, 32, 32, ngf * 4]
        a.ngf * 8, # encoder_4: [batch, 32, 32, ngf * 4] => [batch, 16, 16, ngf * 8]
        a.ngf * 8, # encoder_5: [batch, 16, 16, ngf * 8] => [batch, 8, 8, ngf * 8]
        a.ngf * 8, # encoder_6: [batch, 8, 8, ngf * 8] => [batch, 4, 4, ngf * 8]
        a.ngf * 8, # encoder_7: [batch, 4, 4, ngf * 8] => [batch, 2, 2, ngf * 8]
        a.ngf * 8, # encoder_8: [batch, 2, 2, ngf * 8] => [batch, 1, 1, ngf * 8]
    ]

    #进行encoder操作，印证了论文所说的生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块
    for out_channels in layer_specs:
        with tf.variable_scope("encoder_%d" % (len(layers) + 1)):
            #激活操作
            rectified = lrelu(layers[-1], 0.2)
            # [batch, in_height, in_width, in_channels] => [batch, in_height/2, in_width/2, out_channels]
            convolved = gen_conv(rectified, out_channels)
            output = batchnorm(convolved)
            layers.append(output)

    #生成器的decoder部分，这里是上采样操作
    layer_specs = [
        (a.ngf * 8, 0.5),   # decoder_8: [batch, 1, 1, ngf * 8] => [batch, 2, 2, ngf * 8 * 2]
        (a.ngf * 8, 0.5),   # decoder_7: [batch, 2, 2, ngf * 8 * 2] => [batch, 4, 4, ngf * 8 * 2]
        (a.ngf * 8, 0.5),   # decoder_6: [batch, 4, 4, ngf * 8 * 2] => [batch, 8, 8, ngf * 8 * 2]
        (a.ngf * 8, 0.0),   # decoder_5: [batch, 8, 8, ngf * 8 * 2] => [batch, 16, 16, ngf * 8 * 2]
        (a.ngf * 4, 0.0),   # decoder_4: [batch, 16, 16, ngf * 8 * 2] => [batch, 32, 32, ngf * 4 * 2]
        (a.ngf * 2, 0.0),   # decoder_3: [batch, 32, 32, ngf * 4 * 2] => [batch, 64, 64, ngf * 2 * 2]
        (a.ngf, 0.0),       # decoder_2: [batch, 64, 64, ngf * 2 * 2] => [batch, 128, 128, ngf * 2]
    ]

    #进行decoder操作，印证了论文所说的生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块
    #此外这里也证实了作者使用的是U-Net结构，对应的encoder层和decoder层之间有skip connection
    num_encoder_layers = len(layers)
    for decoder_layer, (out_channels, dropout) in enumerate(layer_specs):
        skip_layer = num_encoder_layers - decoder_layer - 1
        with tf.variable_scope("decoder_%d" % (skip_layer + 1)):
            if decoder_layer == 0:
                # first decoder layer doesn't have skip connections
                # since it is directly connected to the skip_layer
                input = layers[-1]
            else:
                input = tf.concat([layers[-1], layers[skip_layer]], axis=3)

            rectified = tf.nn.relu(input)
            # [batch, in_height, in_width, in_channels] => [batch, in_height*2, in_width*2, out_channels]
            output = gen_deconv(rectified, out_channels)
            output = batchnorm(output)

            if dropout > 0.0:
                output = tf.nn.dropout(output, keep_prob=1 - dropout)

            layers.append(output)

    # decoder_1: [batch, 128, 128, ngf * 2] => [batch, 256, 256, generator_outputs_channels]
    with tf.variable_scope("decoder_1"):
        input = tf.concat([layers[-1], layers[0]], axis=3)
        rectified = tf.nn.relu(input)
        output = gen_deconv(rectified, generator_outputs_channels)
        output = tf.tanh(output)
        layers.append(output)

    return layers[-1]

#创建模型
def create_model(inputs, targets):
    #判别器
    #使用PatchGAN结构，这里判别器只需判断每一个patch的真假，判别器使用一个N*N的filter在输入图像采样，
    #采样的结果就是一个patch，然后判断这个patch的真假。最终在对输入图像进行卷积式地采样工作结束后，将所
    #对所有patch的结果做一个平均，得到的平均值就是这张图像的真假结果。
    def create_discriminator(discrim_inputs, discrim_targets):
        n_layers = 3
        layers = []

        # 2x [batch, height, width, in_channels] => [batch, height, width, in_channels * 2]
        input = tf.concat([discrim_inputs, discrim_targets], axis=3)

        # layer_1: [batch, 256, 256, in_channels * 2] => [batch, 128, 128, ndf]
        # 第1层：印证了论文所说的生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块
        with tf.variable_scope("layer_1"):
            convolved = discrim_conv(input, a.ndf, stride=2)
            rectified = lrelu(convolved, 0.2)
            layers.append(rectified)

        # layer_2: [batch, 128, 128, ndf] => [batch, 64, 64, ndf * 2]
        # layer_3: [batch, 64, 64, ndf * 2] => [batch, 32, 32, ndf * 4]
        # layer_4: [batch, 32, 32, ndf * 4] => [batch, 31, 31, ndf * 8]
        # 第2，3，4层：印证了论文所说的生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块
        for i in range(n_layers):
            with tf.variable_scope("layer_%d" % (len(layers) + 1)):
                out_channels = a.ndf * min(2**(i+1), 8)
                stride = 1 if i == n_layers - 1 else 2  # last layer here has stride 1
                convolved = discrim_conv(layers[-1], out_channels, stride=stride)
                normalized = batchnorm(convolved)
                rectified = lrelu(normalized, 0.2)
                layers.append(rectified)

        # layer_5: [batch, 31, 31, ndf * 8] => [batch, 30, 30, 1]
        # 第5层：印证了论文所说的生成器G和判别器D都使用convolution-BatchNorm-ReLu这样的模块
        with tf.variable_scope("layer_%d" % (len(layers) + 1)):
            convolved = discrim_conv(rectified, out_channels=1, stride=1)
            output = tf.sigmoid(convolved)
            layers.append(output)

        return layers[-1]

    #开始创建模型
    with tf.variable_scope("generator"):
        out_channels = int(targets.get_shape()[-1])
        outputs = create_generator(inputs, out_channels)

    # create two copies of discriminator, one for real pairs and one for fake pairs
    # they share the same underlying variables
    # 下面是定义各种损失函数
    with tf.name_scope("real_discriminator"):
        with tf.variable_scope("discriminator"):
            # 2x [batch, height, width, channels] => [batch, 30, 30, 1]
            predict_real = create_discriminator(inputs, targets)

    with tf.name_scope("fake_discriminator"):
        with tf.variable_scope("discriminator", reuse=True):
            # 2x [batch, height, width, channels] => [batch, 30, 30, 1]
            predict_fake = create_discriminator(inputs, outputs)

    with tf.name_scope("discriminator_loss"):
        # minimizing -tf.log will try to get inputs to 1
        # predict_real => 1
        # predict_fake => 0
        discrim_loss = tf.reduce_mean(-(tf.log(predict_real + EPS) + tf.log(1 - predict_fake + EPS)))

    with tf.name_scope("generator_loss"):
        # predict_fake => 1
        # abs(targets - outputs) => 0
        gen_loss_GAN = tf.reduce_mean(-tf.log(predict_fake + EPS))
        gen_loss_L1 = tf.reduce_mean(tf.abs(targets - outputs))
        gen_loss = gen_loss_GAN * a.gan_weight + gen_loss_L1 * a.l1_weight

    with tf.name_scope("discriminator_train"):
        discrim_tvars = [var for var in tf.trainable_variables() if var.name.startswith("discriminator")]
        discrim_optim = tf.train.AdamOptimizer(a.lr, a.beta1)
        discrim_grads_and_vars = discrim_optim.compute_gradients(discrim_loss, var_list=discrim_tvars)
        discrim_train = discrim_optim.apply_gradients(discrim_grads_and_vars)

    with tf.name_scope("generator_train"):
        with tf.control_dependencies([discrim_train]):
            gen_tvars = [var for var in tf.trainable_variables() if var.name.startswith("generator")]
            gen_optim = tf.train.AdamOptimizer(a.lr, a.beta1)
            gen_grads_and_vars = gen_optim.compute_gradients(gen_loss, var_list=gen_tvars)
            gen_train = gen_optim.apply_gradients(gen_grads_and_vars)

    #这个函数用于更新参数,就是采用滑动平均的方法更新参数。
    ema = tf.train.ExponentialMovingAverage(decay=0.99)
    update_losses = ema.apply([discrim_loss, gen_loss_GAN, gen_loss_L1])

    global_step = tf.train.get_or_create_global_step()
    incr_global_step = tf.assign(global_step, global_step+1)

    #返回各种数据
    return Model(
        predict_real=predict_real,
        predict_fake=predict_fake,
        discrim_loss=ema.average(discrim_loss),
        discrim_grads_and_vars=discrim_grads_and_vars,
        gen_loss_GAN=ema.average(gen_loss_GAN),
        gen_loss_L1=ema.average(gen_loss_L1),
        gen_grads_and_vars=gen_grads_and_vars,
        outputs=outputs,
        train=tf.group(update_losses, incr_global_step, gen_train),
    )

---

论文实验重现详细记录

pix2pix

  运行代码的时候出现这个问题：
  
  这是因为作者的代码是基于比较高的tensorflow版本完成的，解决的方法有两个：
  
  最终成功运行：
  
  部分实验结果如下：
  epoch=200的部分结果：训练了约4个小时
  
  epoch=400的部分结果：训练了约8个小时
  
  

zi2zi

  Github上有另一个比较有趣的项目，是字体风格化的转变，在认真学习完GAN之后我再去看了一遍，zi2zi的网络结构是从pix2pix继承下来的（加入了Category Embedding部分，这个部分是从Google的一篇关于语言翻译的文章中得到的灵感）：
  

  我再次运行了一下代码，得到如下结果（奇数列是ground truth，偶数列是得到的结果）：

  

  

  
  可见GAN确实强大