GAN_1——基础知识
1 GAN概述
GAN主要由两个网络组成，一个是生成网络G(Generator)，另一个是判别网络D(Discriminator)。
以图片生成为例：
- G是一个生成图片的网络，它的输入是一个随机噪声z，通过这个噪声生成的图片记作G(z)
- D是一个判别网络，它可以判别一张图片是不是真实的。它的输入是x，x表示一张图片；输出是D(x)，表示图片x是真实图片的概率，如果为1，则表示这张图片是真实的概率为100%，如果为0，则表示这张图片是真实的概率为0%
在训练过程中，G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。
最后博弈的结果是什么？
在最理想的状态下，G可以生成“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。
这样我们的目的就达成了：我们得到了一个生成式的模型G，它可以用来生成图片。
定义一个模型来作为生成器G（图中蓝色部分Generator），能够输入一个向量，输出手写数字大小的像素图像。
定义一个分类器来作为判别器D（图中红色部分Discriminator）用来判别图片是真的还是假的（或者说是来自数据集中的还是生成器中生成的），输入为手写图片，输出为判别图片的标签。
2 模型推导
3 GAN的缺陷
（1）模型坍塌(Model collapse)
（2）梯度消失
（3）训练不稳定，训练缓慢
4 优化模型
4.1 DCGAN
全称：Deep Convolutional GAN
4.1.1 概述
使用CNN的方式来实现GAN，在经典CNN中通常是使用卷积逐层实现信息提取，用pooling实现信息筛减。但是在GAN中使用CNN时，需要使用到转置卷积，生成器G将输入的噪声z通过一层层的转置卷积将信息扩充，生成与目标相似的信息。
DCGAN生成器G的结构如图所示：
转置卷积示意图：
4.1.2 缺陷
1）生成质量不高
2）当需要生成的图片太大的时候，训练的稳定性有问题
3）模型坍塌
4）梯度消失
4.2 LSGAN
全称：Least Squares GAN
4.2.1 概述
LSGAN是为了解决梯度消失和模型坍塌这一系列问题而提出的一种方法。
它通过修改训练中的Loss来改进模型。使用Least Squares来作为Loss，让梯度更有效的传递回去。
4.2.2 Loss分析
上面的经典GAN和DCGAN使用的是sigmoid cross entropy，但是sigmoid的梯度范围非常有限，如果梯度无法有效的传递给网络，那么会导致1）网络的参数更新缓慢；2）网络趋向于停止学习
从上面两幅图可以看出，sigmoid的梯度值是最小的。
LSGAN通过修改loss，将sigmoid替换为least squares。
sigmoid
MeanSquaredError
4.2.3 缺陷
1）新的loss实现方式知识优化了梯度传递中的问题，但是仍然存在模型坍塌的问题。
2）在训练过程中，生成器和判别器是在一种对抗的状态，但是任何一方太强，就会碾压对方，对抗的平衡被打破，从而导致训练失败。
4.3 WGAN
全称：Wasserstein GAN
WGAN使用了一种更好的方式来测量生成数据与真实数据的差距，并用这种方式来拉近他们的距离。
4.3.1 问题提出
1）梯度上的问题
在经典GAN中，它使用的是一种叫做JS散度的数据分布测量方法。知乎上的这篇文章从数学的角度分析了经典GAN中JS散度的缺陷——当两个分布没有重叠部分，或重叠部分比较小的话，其可以用来更新模型的梯度就是0，或忽略不计。
2）模型坍塌的问题
经典GAN中还存在模型塌陷的问题，导致生成器G生成的模式固定，生成多样性非常少。
4.3.2 解决问题
WGAN中，使用Wasserstein距离来替换经典GAN中loss使用的JS散度
上面公式的详细理解可以参考知乎中的这篇文章
4.3.3 缺陷
WGAN从GAN的理论上深度剖析了经典GAN中loss的劣势，并提出了释放GAN学习能力的方法，用Wasserstein (W) distance释放GAN的学习力。不过由于里面用了一个clip截断网络参数的做法，让GAN的学习力还没有完全的发挥出来。
4.4 WGAN-gp
全称：WGAN with gradient penalty
WGAN-gp是对上面提出的WGAN的一种改良：用一种梯度惩罚的方法替换 clip weights。
WGAN在为了保证1-Lipschitz这种约束条件时，使用了clip weights的方法，局限住判别器的能力，但是这种一刀切肯定是不好的。WGAN-gp为了解决这种一刀切，提出了一种更柔和的方式，也就是使用gradient penalty来约束。
4.5 WGAN-div
全称：Wasserstein Divergence for GANs
在WGAN-gp中，为了满足1-Lipschitz约束，训练出好效果，作者采用了真假数据的插值方法，来模拟全空间的均匀分布。WGAN-div的作者认为，这种做法是一种机械性的，很难靠有限的采样，模拟出这种全空间分布。
4.6 SAGAN
全称：Self-Attention GAN
SAGAN中引入了注意力机制，让模型可以有重点的观察、分析，从而生成效果更好的图像。简单的来说就是：围绕着重点画画，画出来的画更有神。
4.7 PGGAN
全称：Progressive Growing GAN
GAN 在小尺寸上图片（<60px）的生成任务已经可以达到相对比较好的效果了，但是继续扩大尺寸，比如到到1024px，生成的难度是指数型增加的， 因为可以尝试的排列组合数是指数型增高。
训练难度的提高，将会出现几个问题：
- 训练时间的指数型加长
- 训练效果的降低
- 有可能压根训练不出来，或只能训练出模糊的图片
PGGAN 从训练方法上革新，实现分阶段，从易到难，从简单的小任务到大任务过度型学习。
PGGAN的训练方式如图所示：
- Generator 生成 44 的图片，Discriminator 识别 44 的图片
- 生成 88, 识别 88
- 生成 1616, 识别 1616
- …
- 生成 10241024, 识别 10241024
参考资料
[1] GAN学习指南：从原理入门到制作生成Demo
[2] 通俗理解生成对抗网络GAN
[3] 你的GAN训练得如何–GAN 的召回率（多样性）和精确率（图像质量）方法评估
[4] 生成对抗网络——GAN（一）
[5] GAN生成对抗网络——莫烦
[6] 通俗理解GAN（一）：把GAN给你讲得明明白白