详解MMD分布损失的计算过程(度量两个不同但相关的分布的距离)

一、MMD损失的用途

  • MMD(最大均值化差异):主要用来度量两个不同但相关的分布的距离。

二、MMD损失实现代码

import torch

def guassian_kernel(source, target, kernel_mul = 2.0, kernel_num = 5, fix_sigma=None):
    '''
    将源域数据和目标域数据转化为核矩阵,即上文中的K
    Params:
        source: 源域数据(n * len(x))
        target: 目标域数据(m * len(y))
        kernel_mul:
        kernel_num: 取不同高斯核的数量
        fix_sigma: 不同高斯核的sigma值
    Return:
        sum(kernel_val): 多个核矩阵之和
    '''
    n_samples = int(source.size()[0]) + int(target.size()[0])  # 求矩阵的行数,一般source和target的尺度是一样的,这样便于计算
    total = torch.cat([source, target], dim=0) #将source和target按列方向合并
    # 将total复制(n+m)份
    total0 = total.unsqueeze(0).expand(int(total.size(0)), int(total.size(0)), int(total.size(1)))
    # 将total的每一行都复制成(n+m)行,即每个数据都扩展成(n+m)份
    total1 = total.unsqueeze(1).expand(int(total.size(0)), int(total.size(0)), int(total.size(1)))
    # 求任意两个数据之间的和,得到的矩阵中坐标(i,j)代表total中第i行数据和第j行数据之间的l2 distance(i==j时为0)
    L2_distance = ((total0 - total1) ** 2).sum(2)
    # 调整高斯核函数的sigma值
    if fix_sigma:
        bandwidth = fix_sigma
    else:
        bandwidth = torch.sum(L2_distance.data) / (n_samples ** 2 - n_samples)
    #以fix_sigma为中值,以kernel_mul为倍数取kernel_num个bandwidth值(比如fix_sigma为1时,得到[0.25,0.5,1,2,4]
    bandwidth /= kernel_mul ** (kernel_num // 2)
    bandwidth_list = [bandwidth * (kernel_mul ** i) for i in range(kernel_num)]
    # 高斯核函数的数学表达式
    kernel_val = [torch.exp(-L2_distance / bandwidth_temp) for bandwidth_temp in bandwidth_list]
    # 得到最终的核矩阵
    return sum(kernel_val)

def get_MMD(source, target, kernel_mul=2.0, kernel_num=5, fix_sigma=None):
    '''
        计算源域数据和目标域数据的MMD距离
        Params:
            source: 源域数据(n * len(x))
            target: 目标域数据(m * len(y))
            kernel_mul:
            kernel_num: 取不同高斯核的数量
            fix_sigma: 不同高斯核的sigma值
        Return:
            loss: MMD loss
        '''
    batch_size = int(source.size()[0])  # 一般默认为源域和目标域的batchsize相同
    kernels = guassian_kernel(source, target,
                              kernel_mul=kernel_mul, kernel_num=kernel_num, fix_sigma=fix_sigma)
    # 将核矩阵分为4份
    XX = kernels[:batch_size, :batch_size]
    YY = kernels[batch_size:, batch_size:]
    XY = kernels[:batch_size, batch_size:]
    YX = kernels[batch_size:, :batch_size]
    loss = torch.mean(XX + YY - XY - YX)
    return loss



# 注意source和target须为tensor,最终的MMD损失也为tensor。
# 另外,source和target须为一个batch,如果源域和目标域数据为单个样本的话,则需要增加一个维度。
# 对了,source和target的样本个数不要求一样,但第二维度须一样。
source = torch.tensor([[1,2,3]]) # 
target = torch.tensor([[1,1,2]])
result = get_MMD(source,target)
print(result) # tensor(6.1863) 

source = torch.tensor([[2,3,66]])
target = torch.tensor([[1,5,6]])
result = get_MMD(source,target)
print(result) # tensor(6.1863)
# 不知道为什么这组MMD损失和上面那组结果一样。

source = torch.tensor([[1,2,3],[2,3,66]])
target = torch.tensor([[1,1,2],[1,5,6]])
result = get_MMD(source,target)
print(result) # tensor(1.8873)
# 这组MMD损失主要是为了检验一下,MMD损失是不是(上述两组)单个样本对应的MMD损失的和。
# 显然,结果表明不是的。MMD损失计算的是一批源域数据和对应目标域那批数据的分布损失,是从整体考虑的分布损失,不是简单地理解为逐样本MMD损失的和。

source = torch.tensor([[1,2,3],[2,3,66]])
target = torch.tensor([[1,2,2],[1,5,60]])
result = get_MMD(source,target)
print(result) # tensor(0.0621)
# 这组MMD损失主要是为了检验一下,是不是样本个数和维度相同,MMD损失就一样(因为前两组MMD损失一模一样)。
# 结果显然不是的。所以,为什么前两组MMD损失一样呢?有没有同学可以解释一下?

source = torch.tensor([[1,2,3]])
target = torch.tensor([[1,2,2],[2,3,6]]) # 第一维度可以不相同,但第二个维度必须相同,否则会出错。
result = get_MMD(source,target)
print(result) # tensor(2.0059)

三、注意事项

  • source和target须为tensor,最终的MMD损失也为tensor

  • source和target须为一个batch的分布,如果源域和目标域的数据为单个样本的话,则需要增加一个维度

  • source和target的样本个数不要求一样,但第二维度必须一样,否则会出错。

  • MMD损失计算的是一批源域数据和对应目标域那批数据的分布损失,是从整体考虑的分布损失,不是简单地理解为逐样本MMD损失的和。

你可能感兴趣的:(Python,深度学习,python,人工智能)