生成对抗网络 GAN原理 学习笔记+实践

1. 生成模型与判别模型区别

判别模型: 直接求P(Y|X)
生成模型: 通过P(X,Y) / P(X) 求 P(Y|X) ,eg:隐马尔可夫链
生成对抗网络 GAN原理 学习笔记+实践_第1张图片

2. 为什么要用生成模型?

  1. 对高维数据和样本分布问题有很好的检测
  2. 模拟强化学习(RL)
  3. 数据缺失,半监督学习
  4. 多模态(multy-modal)输出,eg:可能生出三只眼的狗,生成结果不好
  5. 现实的生成任务,eg:给定一个groud truth的图片,将目标图片上面的马赛克去掉。
    生成对抗网络 GAN原理 学习笔记+实践_第2张图片
    eg:生成像素更高更清楚的图片
    生成对抗网络 GAN原理 学习笔记+实践_第3张图片
    eg: 图片到图片的翻译,完全是另外一个维度另外一个长相,生成所需求的图像。
    生成对抗网络 GAN原理 学习笔记+实践_第4张图片

3. 生成模型原理 —— 最大似然估计

通过最大似然估计,把整个数据分布给计算出来。
问题引出:
已知经典的贝叶斯公式

可惜现实生活中,先验概率在这里插入图片描述或条件概率在这里插入图片描述往往未知,所以要估计:

  • 先验概率的估计较简单,1、每个样本所属的自然状态都是已知的(有监督学习);2、依靠经验;3、用训练样本中各类出现的频率估计。

  • 类条件概率的估计(非常难),原因包括:1、概率密度函数包含了一个随机变量的全部信息;2、样本数据可能不多;3、特征向量x的维度可能很大等等。总之要直接估计类条件概率的密度函数很难。解决的办法就是,把估计完全未知的概率密度转化为估计参数。 这里就将概率密度估计问题转化为参数估计问题,极大似然估计就是一种参数估计方法

    所以得出估计的一个重要前提: 训练样本的分布能代表样本的真实分布。
    每个样本集中的样本都是所谓独立同分布的随机变量,且有充分的训练样本。
    

具体的步骤:

①独立采样, 可以只考虑一类样本集D,来估计参数向量θ。

在这里插入图片描述

② 似然(linkehood)估计:联合概率密度函数在这里插入图片描述称为相对于在这里插入图片描述
的θ的似然函数。
在这里插入图片描述
③求解极大似然函数
ML估计:求使得出现该组样本的概率最大的θ值。
在这里插入图片描述
实际中为了便于分析,定义了对数似然函数:
在这里插入图片描述
在这里插入图片描述

  • 未知参数只有一个(θ为标量)

    在似然函数满足连续、可微的正则条件下,极大似然估计量是下面微分方程的解:

在这里插入图片描述

  • 未知参数有多个(θ为向量)

    则θ可表示为具有S个分量的未知向量:

在这里插入图片描述

记梯度算子:

在这里插入图片描述

若似然函数满足连续可导的条件,则最大似然估计量就是如下方程的解。
在这里插入图片描述

     方程的解只是一个估计值,只有在样本数趋于无限多的时候,它才会接近于真实值。

引用:极大似然估计详解

4.生成模型大家族

生成对抗网络 GAN原理 学习笔记+实践_第5张图片
生成对抗网络 GAN原理 学习笔记+实践_第6张图片
生成对抗网络 GAN原理 学习笔记+实践_第7张图片
生成对抗网络 GAN原理 学习笔记+实践_第8张图片
生成对抗网络 GAN原理 学习笔记+实践_第9张图片

5.生成对抗网络

生成对抗网络 GAN原理 学习笔记+实践_第10张图片

  1. 隐性code来控制数据的隐含关系
  2. 数据会逐渐统一(不像变分方法)
  3. 没有马尔科夫链的需要
  4. 目前可以生成最好的样本 (因为目前没有好方法去评估模型)

生成G 与 判别D

生成对抗网络 GAN原理 学习笔记+实践_第11张图片
D 为 Discriminator 判别器
G 为 Generator 生成器

  • 判别器对假数据的损失原理相同,最终达到的目标是对于所有的真实图片,输出为1;对于所有的假图片,输出为0;
  • 生成器的目标是从噪音输入(不带样本,且符合一定的分布)生成图片,愚弄判别器蒙混过关,需要达到的目标是对于生成的图片,输出为1(正好和鉴别器相反).

最终看重的是G的效果。

必要条件

生成对抗网络 GAN原理 学习笔记+实践_第12张图片
z 是噪音输入(不带样本,且符合一定的分布),x是生成的样本

  1. 必须可微
  2. 没有可逆的需要(不需要能从x反推回z)
  3. 可以训练任何size的z
  4. 保证z的维度比x高

训练过程

简单理解与实验生成对抗网络GAN
生成对抗网络 GAN原理 学习笔记+实践_第13张图片

  • 同时在两个小批量数据(判别数据、生成数据)上使用SGD相关的方法(可以选择Adam)。
  • 优化trick:可以让生成器(one player)训练得比判别器(the other player)学习得快一点。

三种生成损失函数

生成对抗网络 GAN原理 学习笔记+实践_第14张图片

生成对抗网络 GAN原理 学习笔记+实践_第15张图片
生成和真实差别越大,D的损失向负方向扩大,G的损失向正方向扩大。

生成对抗网络 GAN原理 学习笔记+实践_第16张图片

  1. D和G的损失函数不再绑定
  2. G最大化使得D误判的对数概率
  3. 可以先让D训练得不错,再让G加入战局

③ KL散度 (Kullback–Leibler divergence)
在这里插入图片描述
衡量两个分布的差距
生成对抗网络 GAN原理 学习笔记+实践_第17张图片
假设 p 是真实分布,q是生成分布
左图,正KL(最大似然):激进派,q拟合p,目的是把所有的分布都拟合进去,如果是双分布的话可能没办法拟合得好;
右图,逆 KL :保守派,p拟合q,目的是能拟合好一个分布就算完成任务了。
eg:两个头的狗进行生成,用最大似然可能生成两倍大的头,用逆KL可能是生成只有一个头的狗,不会为了满足所有的分布,而更接近于真实。

应用场景

DCGAN (Deep Convolution GAN) : 一维数组映射到图片
大约等于 CNN 的逆过程
生成对抗网络 GAN原理 学习笔记+实践_第18张图片

Keras实现代码

  1. 导入库

     %matplotlib inline
     import os,random
     os.environ["KERAS_BACKEND"] = "tensorflow"
     import numpy as np
     import theano as th
     import theano.tensor as T
     from keras.utils import np_utils
     import keras.models as models
     from keras.layers import Input,merge
     from keras.layers.core import Reshape,Dense,Dropout,Activation,Flatten
     from keras.legacy.layers import MaxoutDense
     from keras.layers.advanced_activations import LeakyReLU
     from keras.activations import *
     from keras.layers.wrappers import TimeDistributed
     from keras.layers.noise import GaussianNoise
     from keras.layers.convolutional import Convolution2D, MaxPooling2D, ZeroPadding2D, Deconv2D, UpSampling2D
     from BatchNorm_GAN import BatchNormGAN
     from keras.layers.recurrent import LSTM
     from keras.regularizers import *
     from keras.layers.normalization import *
     from keras.optimizers import *
     from keras.datasets import mnist
     import matplotlib.pyplot as plt
     import pickle, random, sys, keras
     from keras.models import Model
     from IPython import display
     
     sys.path.append("../common")
     from keras.utils import np_utils
     from tqdm import tqdm
     
     K.set_image_dim_ordering('th')
    
  2. 准备训练集

     #28 x 28 的图片
     img_rows, img_cols = 28, 28
     
     #把数据集洗一洗
     (X_train, y_train), (X_test, y_test) = mnist.load_data()
     
     #排好
     X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
     X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
     X_train = X_train.astype('float32')
     X_test = X_test.astype('float32')
     X_train /= 255
     X_test /= 255
     
     #看看我们所有数据的个数和长相
     print(np.min(X_train), np.max(X_train))
     print('X_train shape:', X_train.shape)
     print(X_train.shape[0], 'train samples')
     print(X_test.shape[0], 'test samples')
    

输出
生成对抗网络 GAN原理 学习笔记+实践_第19张图片

  1. 做个指示器,告诉算法,现在这个net(要么是dis要么是gen),能不能被继续train

     def make_trainable(net, val):
         net.trainable = val
         for l in net.layers:
             l.trainable = val
    
  2. 搭建网络结构

    # 看一个每一个训练数据的长相
     shp = X_train.shape[1:]
     print(shp)
     dropout_rate = 0.25
     
     # 设置gen和dis的opt
     # 大家可以尝试各种组合
     opt = Adam(lr=1e-3)
     dopt = Adam(lr=1e-4)
     #opt = Adam(lr=1e-3)
     #opt = Adamax(lr=1e-4)
     #opt = Adam(lr=0.0002)
     #opt = Adam(lr=0.0002, beta_1=0.5, beta_2=0.999, epsilon=1e-08)
     nch = 200
     
     # 造个GEN
     nch = 200
     g_input = Input(shape=[100])
     # 倒过来的CNN第一层(也就是普通CNN那个flatten那一层)
     H = Dense(nch*14*14, init='glorot_normal')(g_input)
     H = BatchNormGAN()(H)
     H = Activation('relu')(H)
     H = Reshape( [nch, 14, 14] )(H) 
     # upscale上去2倍大。也就是从14x14 到 28x28
     H = UpSampling2D(size=(2, 2))(H)
     # CNN滤镜
     H = Convolution2D(int(nch/2), 3, 3, border_mode='same', init='glorot_uniform')(H)
     H = BatchNormGAN()(H)
     H = Activation('relu')(H)
     # CNN滤镜
     H = Convolution2D(int(nch/4), 3, 3, border_mode='same', init='glorot_uniform')(H)
     H = BatchNormGAN()(H)
     H = Activation('relu')(H)
     # 合成一个大图片
     H = Convolution2D(1, 1, 1, border_mode='same', init='glorot_uniform')(H)
     g_V = Activation('sigmoid')(H)
     generator = Model(g_input,g_V)
     generator.compile(loss='binary_crossentropy', optimizer=opt)
     generator.summary()
    

输出
生成对抗网络 GAN原理 学习笔记+实践_第20张图片

	# 造个DIS
	# 这就是一个正常的CNN
	d_input = Input(shape=shp)
	# 滤镜
	H = Convolution2D(256, 5, 5, subsample=(2, 2), border_mode = 'same', activation='relu')(d_input)
	H = LeakyReLU(0.2)(H)
	H = Dropout(dropout_rate)(H)
	# 滤镜
	H = Convolution2D(512, 5, 5, subsample=(2, 2), border_mode = 'same', activation='relu')(H)
	H = LeakyReLU(0.2)(H)
	H = Dropout(dropout_rate)(H)
	H = Flatten()(H)
	# flatten之后,接MLP
	H = Dense(256)(H)
	H = LeakyReLU(0.2)(H)
	H = Dropout(dropout_rate)(H)
	# 出一个结果,『是』或者『不是』
	d_V = Dense(2,activation='softmax')(H)
	discriminator = Model(d_input,d_V)
	discriminator.compile(loss='categorical_crossentropy', optimizer=dopt)
	discriminator.summary()

输出
生成对抗网络 GAN原理 学习笔记+实践_第21张图片

	make_trainable(discriminator, False)
	# 为stacked GAN做准备
	# 然后合成一个GAN的构架
	gan_input = Input(shape=[100])
	H = generator(gan_input)
	gan_V = discriminator(H)
	GAN = Model(gan_input, gan_V)
	
	GAN.compile(loss='categorical_crossentropy', optimizer=opt)
	GAN.summary()

输出
生成对抗网络 GAN原理 学习笔记+实践_第22张图片

  1. 两个画图功能

     def plot_loss(losses):
             display.clear_output(wait=True)
             display.display(plt.gcf())
             plt.figure(figsize=(10,8))
             plt.plot(losses["d"], label='discriminitive loss')
             plt.plot(losses["g"], label='generative loss')
             plt.legend()
             plt.show()
     def plot_gen(n_ex=16,dim=(4,4), figsize=(10,10) ):
         noise = np.random.uniform(0,1,size=[n_ex,100])
         generated_images = generator.predict(noise)
     
         plt.figure(figsize=figsize)
         for i in range(generated_images.shape[0]):
             plt.subplot(dim[0],dim[1],i+1)
             img = generated_images[i,0,:,:]
             plt.imshow(img)
             plt.axis('off')
         plt.tight_layout()
         plt.show()
    
  2. 正式训练

     # 设置一下存储D和G的格式
     losses = {"d":[], "g":[]}
     # 训练正经去了
     def train_for_n(nb_epoch=5000, plt_frq=25,BATCH_SIZE=32):
         for e in tqdm(range(nb_epoch)):  
             
             # 生成图片
             image_batch = X_train[np.random.randint(0,X_train.shape[0],size=BATCH_SIZE),:,:,:]    
             noise_gen = np.random.uniform(0,1,size=[BATCH_SIZE,100])
             generated_images = generator.predict(noise_gen)
             
             # 训练DIS
             X = np.concatenate((image_batch, generated_images))
             y = np.zeros([2*BATCH_SIZE,2])
             y[0:BATCH_SIZE,1] = 1
             y[BATCH_SIZE:,0] = 1
             # 当然,要让DIS可以被训练
             make_trainable(discriminator,True)
             d_loss  = discriminator.train_on_batch(X,y)   #返回loss的标量值或list
             
             losses["d"].append(d_loss)
         
             # 训练 Generator-Discriminator stack
             noise_tr = np.random.uniform(0,1,size=[BATCH_SIZE,100])
             y2 = np.zeros([BATCH_SIZE,2])
             y2[:,1] = 1
             # 这个时候,让DIS不能被变化。保证判断结果一致性
             make_trainable(discriminator,False)
             g_loss = GAN.train_on_batch(noise_tr, y2 )
             losses["g"].append(g_loss)
             
             # 看看新图长什么样子
             if e%plt_frq==plt_frq-1:
                 plot_loss(losses)
                 plot_gen()
                
    
     train_for_n(nb_epoch=250, plt_frq=25,BATCH_SIZE=128)
    

    输出
    生成对抗网络 GAN原理 学习笔记+实践_第23张图片
    生成对抗网络 GAN原理 学习笔记+实践_第24张图片

你可能感兴趣的:(深度学习,生成模型,GAN)