“GAN之父”Goodfellow与网友互动：关于GAN的11个问题（附视频）

编者按：昨天，雷锋网根据 Ian Goodfellow 演讲视频的前20分钟整理出《“GANs之父”Goodfellow 38分钟视频亲授：如何完善生成对抗网络？（上）》，其中Goodfellow主要讲述了什么是 GAN 和 DCGANs、模型崩溃、小批量特征、文本转图像等问题。本文是后18分钟视频的内容，主要是 Goodfellow 回答网友提问，总共有11个问题。本文由雷锋网三川、亚萌联合编译。

原文视频连接： https://www.leiphone.com/news/201612/JMWZE6BXRZxB1A6d.html

CNN、GANs 和 DBN（Deep Belief Network）之间区别是什么？

简单来说，CNN是神经网络的一种架构，它们未必是为了学习如何生成一组图像而设计。它们可以被用来创造很多的东西，包括 GANs 和 DBN。

这个问题的另外一个方面是：DBN和 GANs 的效果或者学习区别是什么。DBN 基于统计物理学的模型，你写下一个能量函数（energy function），来描述不同图片的相似度。如果一个图像的能量较低，那么更可能发生。这类似于山上的岩石。滚到山脚的石头比山顶的石头有更低的能量，这是由于重力。所以在山脚发现大堆石头的可能性更大。DBN 的难点在于，很多必需的、模拟物理定律的计算变得非常复杂，所以它扩展到大型彩色图像的效果不好。对于类似 EM Nest 的应用，它效果很好。但在 Imagenet 上，DBN 还不能产生有竞争力的结果。

文本转图像的 GANs，是需要同时输入代码和语句吗？

基本上，省略掉代码是有可能的。但在大多数应用中，人们既输入代码也输入语句限制条件，这样才能保证最终输出结果的多样性。这样系统才能学习到整个有条件的概率分布，从一次输入信息中，得到多样化的输出样本。

高效训练 GANs 的难点在哪？如何解决？

主要的困难是模型崩溃，以及寻找模型均衡点（equilibrium）的相关问题。

主要的解决方式是，开发能找到均衡状态的新算法，而不是依靠让误差最小化的成本函数（cost function）。

这其中的均衡状态是不断演化着（Evolutionary）的吗？

其实并不是，而是随机的，神经网络训练利用梯度算法来引导更新。

（编者注：这里 Goodfellow 又回头接着讲PPT上的内容）GANs 还有一个很酷的应用是，对画家进行自动辅助。你也许不擅长绘画，但有了这个 GANs 辅助绘图软件，你只需画这么一个三角，GANs 会自动搜索有相似特点的图像，然后在你画的三角区域，填充山丘的纹理；并在你画的绿色波浪那里，填充青草的纹理。

基于 GANs 的绘图辅助功能

我昨天刚听说一个很相似的主意，也使用了“内省对抗网络”（ Introspective Adversarial Network）。它是一个辅助图像编辑的功能。当你绘图时，生成模型会把你画出的图形转化为照片般真实的图像。所以，你编辑的图片不会看起来很假，还能不断调整你希望看到的效果。这样，最终编辑出来的图像看起来很真实，一点也不像用鼠标涂鸦过。

你之前提到GANs无法将纹理和肢体有效结合起来的问题，那么你认为解决方案是什么？

这其实很难知道。因为训练算法不够好。目前训练算法的一个问题是，它们被设计用来最小化每一层网络的成本函数，而不是找到均衡点。拿两个人玩“剪刀包袱锤”做比方。假设你出锤，对方出包袱。你输了这局，你觉得既然对方出包袱，下一局你就出剪刀。因为你出剪刀，对方决定再下一局出锤子……这样周而复始，双方都达不到纳什均衡。

这个游戏的均衡点是，每个人以三分之一的比率分别出剪刀、包袱、锤。但如果你的学习算法的学习速率（Learning Rate）不够小，它不会找到均衡点。这个例子十分简单，只要减小学习速率就能找到均衡点。对于GANs，这更复杂。减小学习速率，并不能保证能找到均衡点。我们极有可能需要一些专门的算法，或者改变游戏方式，让使用低学习速率的梯度下降法也能找到均衡点。这是一个相对困难的研究问题。包括我在内，很多人仍在研究。

回到如何放置肢体和纹理及形成3D效果的问题。我们也许需要开发一个更复杂的架构，比方说，生成器的网络深度不够。如果我们有一个极深的生成器，它也许能学习怎么让图像的不同部分更和谐。或者，我们也可以对图形加入特殊操作，类似于 Open GL 的渲染管道。如果你见过空间变换网络处理分类任务，你可以想象用它把有纹理的多边形放置到图像中。

什么GANs应用能商业化，成为明星产品？

我认为对于 Photoshop 这样的应用，自动化绘图会是一个很好的功能。把上文中介绍的自动绘图算法推向市场会很有用处。另外一个领域是语音合成，神经网络对它非常擅长。Deepmind 最近的一篇论文提到一个名为 “Wavenet”的模型，可以创造出极为逼真的人类语音。Wavenet 的问题是，它生成样本的速度很慢。这类生成模型每一步只能完成输出的一个部分。Wavenet 以约 12 千赫的速度生成声音样本。所以你需要连续运行 12000 个神经网络，每一个神经网络的输出被用作下一个神经网络的输入。每一秒合成语音需要两分钟的计算时间，因此神经网络无法进行即时会话。软、硬件效率的提升最终能让它更快。但现在看来，我们离 Wavenet 进行即时会话还有好几年的时间。理论上，生成对抗网络能提供更快的文字到语音的合成。

如何在GANs里生成反馈回路（Feedback Loop）？

生成对抗网络会生成，和输入的参数十分相似的输出。在时间轴上预测下一步（在 Wavenet 的例子上是音频序列），你可以直接把 Wavenet 架构用作生成网络，反向传播算法（backpropagation）会正常运作。

你认为，如何才能把输出扩展为大尺寸？

其实，由于高效率的卷积，扩展输出尺寸通常不是那么难。举例来说，我演讲中展示的最大图片，它的尺寸是 128×128。最近的论文中，Facebook 已经做到输出 256×256 的图片。真正难的是，输出大量内含恰当细节的多样化图像。

GANs能否用于数据压缩？

嗯，很有可能。原则上大多数生成模型都可以。对于 GANs，你需要找到能从图像到描述图像的代码的方法。我描述的 GANs 版本只有单一方向（代码到图像）映射，但是蒙特利尔大学的对抗学习推理（Adversarially Learned Inference），还有加州大学伯克利分校的双向GANs（Bidirectional GANs），有从图像到代码的编码层（Encode Layer）。你可以用编码层生成简单代码，对于经过解码的图像的区别，再使用硬编码的压缩算法将之压缩。如果你运气好，这些区别足够小，可以被压缩，最终结果会比原始图像使用更少的比特。

你对GANs的目标是什么？

我最感兴趣、花费很多时间来研究的是提高训练稳定性，但这特别难。我还花一些时间在开发新架构上。但相比稳定性，它关系不大。

你可以详细解释上面的反馈回路问题吗？

如果你有一个生成网络，能把它自己的输出作为输入，那就能做到。如果你有一个层级，从代码映射到视频第一帧；然后你创建另一个层级，把上一帧视频映射到代码，再到下一帧；你可以把第二层级不断重复利用，它应该能做出不错的视频序列。

反馈回路：输入→输出→输入（照此循环）

这方面的研究很少，发表的论文也不多。大多数生成对抗网络的研究都是关于图像。Facebook AI 研究部门有一篇关于视频生成的论文，该研究用到了对抗网络损失。还有一篇讲3D合成视频序列的论文。这些论文很具体地解释了研究人员是怎么做的以及最终成效。我认为两个研究都加入了一些额外的东西，包括下一帧预测的方差。为了略微稳定训练。Facebook 的研究还加入了一个基于比较图像的边缘的损失，来保证生成的视频不模糊。

视频预测一个很难的地方是：大多数模型预测认为，你应该把同一帧永远复制下去；或者影像不断模糊下去，直到全部消失。这是由于每一个像素的不确定性太多。所以，让他们不断预测每一帧的清晰画面十分困难。

视频前20分钟讲解内容详见:http://blog.csdn.net/love666666shen/article/details/75106249 , 

转载原文链接：https://www.leiphone.com/news/201612/eAOGpvFl60EgFSwS.html