Generative Adversarial Network（生成对抗网络）
目录
Generative Adversarial Network（生成对抗网络）
Basic Idea of GAN
GAN as structured learning
Can Generator learn by itself
Can Discriminator generate
Theory behind GAN
Conditional GAN
Generative Adversarial Network（生成对抗网络）
Basic Idea of GAN
- Generation（生成器）
Generation是一个neural network，它的输入是一个vector，它的输出是一个更高维的vector，以图片生成为例，输出就是一张图片，其中每个维度的值代表生成图片的某种特征。
- Discriminator（判别器）
Discriminator也是一个neural network，它的输入是一张图片，输出是一个scalar，scalar的数值越大说明这张图片越像真实的图片。
- Generation和Discriminator两者的关系
举了鸟和蝴蝶例子说明Generation和Discriminator之间的关系是相互对抗，相互提高。然后提出两个问题：
- Generator为什么不自己学，还需要Discriminator来指导。
- Discriminator为什么不自己直接做。
- Algorithm(算法说明)
首先要随机初始化generator 、discriminator的参数；
然后在每一个training iteration要做两件事：
1. 固定generator的参数，然后只训练discriminator。
将generator生成的图片与从database sample出来的图片放入discriminator中训练，如果是generator生成的图片就给低分，从database sample出来的图片就给高分。
2. 固定discriminator的参数，然后只训练generator。
把generator生成的图片当做discriminator的输入，训练目标是让输出越大越好。
具体算法如下：
训练D（固定G）:
- 首先从database中抽取m个样本。
- 从一个分布中抽取m个vector z。
- 将z输入generator，生成m张图片
。 - 计算损失，最大化损失。
训练G（固定D）:
- 随机产生m个噪声，通过generator得到图片G(z)；
- 然后经过discriminator得到D(G(z))，更改G中的参数，使得它的得分越高越好。
GAN as structured learning
结构化学习的输入和输出多种多样，可以是序列（sequence）到序列，序列到矩阵（matrix），矩阵到图（graph），图到树（tree）等。例如，机器翻译、语音识别、聊天机器人、文本转图像等。GAN也是结构化学习的一种。
- Structured Learning面临的挑战
- One-shot/Zero-shot Learning：比如在分类任务中，有些类别没有数据或者有很少的数据。
- 机器需要创造新的东西。如果把每个可能的输出都视为一个“class”，由于输出空间很大，大多数“class”都没有训练数据，也，这就导致了机器必须在testing时创造新的东西。
- 机器需要有规划的概念，要有大局观。因为输出组件具有依赖性，所以应全局考虑它们。
- Structured Learning Approach
传统的structured learning主要有两种做法：Bottom up 和 Top down。
Bottom up：机器逐个产生object的component。
Top down：从整体来评价产生的component的好坏。
Generator可以视为是一个Bottom Up的方法，discriminator可以视为是一个Top Down的方法，把这两个方法结合起来就是GAN。
Can Generator learn by itself
可以用监督学习的方法来对generator进行训练，但是还会存在一个问题：表示图片的code从哪里来。如果随机产生，训练起来可能非常困难。因为如果两种图片很像，它们输入vector差异很大的话，就很难去训练。
可以通过训练一个encoder，得到相应的code。但是存在的问题就是：Vector a 输出结果是向左的1，vector b 输出结果是向右的1。若把a、b平均作为输入，则输出不一定是数字，可以使用VAE来解决这个问题。
- VAE (Variational Auto-Encoder，变分编码器)
VAE不仅产生一个code还会产生每一个维度的方差；然后将方差和正态分布中抽取的噪声进行相乘，之后加上code上去，就相当于加上noise的code。
- VAE的缺陷
在生成图片时，不是单纯的让生成结果与真实结果越接近越好，还要保证整幅图片符合现实规律。
假设Layer L-1的值是给定的，则Layer L每一个dimension的输出都是独立的，无法相互影响。因此只有在L后面在加几个隐藏层，才可以调整第L层的神经元输出。也就是说，VAE要想获得GAN的效果，它的网络要比GAN要深才行。
下图中绿色是目标，蓝色是VAE学习的结果。VAE在做一些离散的目标效果不好。
Can Discriminator generate
Discriminator就是给定一个输入，输出一个分数。对discriminator来说，要考虑component和component之间的联系就比较容易。比如有一个滤波器，它会去检索有没有独立的像素点，有的话就是低分。
假如有一个discriminator，它能够鉴别图片的好坏，就可以用这个discriminator去生成图片。穷举所有的输入x，比较discriminator给出的分数，找到分数最高的就是discriminator的生成结果。
- 训练discriminator
- 首先给定一些正样本，随机产生一些负样本。
- 在每一个iteration里面，训练出discriminator能够鉴别正负样本。
- 然后用训练出来的discriminator生成图片当做负样本。
- 开始迭代。
从可视化和概率的角度来看一下整个过程。蓝色的是discriminator生成图片的分布，绿色的是真实图片分布。训练discriminator给绿色的高分，蓝色的低分。然后寻找discriminator除了真实图片之外，得分最大高的地方把它变成负样反复迭代，最终正样本和负样本就会重合在一起。
- Generator v.s. Discriminator
generator：很容易生成图片，但是它不考虑component之间的联系。只学到了目标的表象，没有学到精神。
Discriminator：能够考虑大局，但是很难生成图片。
- Generator + Discriminator
Generator就是取代了这个argmax的过程。GAN的优点如下：
从discriminator来看，利用generator去生成样本，去求解argmax问题，更加有效。
从generator来看，虽然在生成图片过程中的像素之间依然没有联系，但是它的图片好坏是由有大局观的discriminator来判断的。从而能够学到有大局观的generator。
Theory behind GAN
假如要生成一些人脸图，实际上就是想要找到一个分布，从这个分布内sample出来的图片像是人脸，分布之外生成的就不像人脸。而GAN要做的就是找到这个distribution。
在GAN之前用的是Maximum Likelihood Estimation。
- Maximum Likelihood Estimation(最大似然估计)
最大似然估计的思想是，假设数据的分布是 
，定义一个分布为
，求得一组参数θ，使得
与
越接近越好。具体步骤如下：
- 从
中sample出一些样本； - 对于sample出来的样本，可以计算出它们的likelihood；
- 计算总分likelihood L，并找到一组参数
使得L最大。
- MLE=Minimize KL Divergence
最大似然估计就相当于最小化的KL散度。
如果使用最大似然估计，采用高斯混合模型定义PG
,生成的图片会非常模糊，现在使用generator产生PG
。优化的目标就是使PG
和Pdata
越接近越好，即使得G*
越小越好，但是不知道PG
和Pdata
的公式。
虽然不知道PG
和Pdata
的公式，但是可以从这两个分布中做sample。可以用Discriminator来衡量PG
和Pdata
的Divergence。训练出来的maxV(G,D)
就相当于JS divergence。
- 证明过程
要求V(G,D)的最大值，就是求
的最大值。
因为
和
都是固定的，所以设为常数，然后通过求导求出最大值。
将求出的D* 回带入V(G,D)，然后化简。
Generator 的训练目标就是，找到一个G* 去最小化
和
之间的差异，即
，由于不知道
和
的具体公式，所以无法直接计算divergence。于是通过一个discriminator来计算两个分布之间的差异，
。所以最终优化目标为
。
首先训练D，多训练几次直至收敛；之后训练G：其中第一项是与生成器无关的，由于G不能训练太多，否则会导致D无法evaluate JS，所以update一次就好。
- In practice
理论上V是要取期望值，但是实际上是不可能的，只能用样本的均值进行估计。
论文原文在实作的时候把
换成
，蓝色曲线刚开始的值很大，适合做梯度下降。其实后来实验证明两种结果都差不多。
Conditional GAN
- Text-to-Image
对于根据文字生成图像的问题，传统的做法就是训练一个NN，然后输入一段文字，输出对应一个图片，输出图片与目标图片越接近越好。存在的问题就是，比如火车对应的图片有很多张，如果用传统的NN来训练，模型会产生多张图像的平均，结果就会很模糊。
- Conditional GAN
Conditional GAN与普通GAN的区别在于输入加入了一个额外的condition，并且在训练的时候使得输出的结果拟合这个 condition。
此时的discriminator的输入是generator的输出和conditional vector，此时discriminator有两个任务：
- 判断图片质量的好坏（图片是否是真实图片）。
- 图片是否和输入条件匹配。
- Algorithm
训练D（固定G）:
- 首先从database中抽取m个样本，每个样本都是一对条件和图片。
- 从一个分布中抽取m个vector z；然后每个vector都加上条件，表示为（c，z）。
- 将（c，z）输入generator，生成m张图片x
（条件+图片）。 - 从database中随机选取m个真实图片 x
。 - 计算损失，最大化损失。
训练G（固定D）:
- 随机产生m个噪声，随机从database中抽取m个条件；
- 通过generator得到G(C,Z)，然后经过discriminator得到D(G(C,Z))，更改G中的参数，使得它的得分越高越好。
具体设计条件GAN判别器，有两种方式：
- 图片x经过一个网络变成一个code，条件经过一个网络也变成一个code；把这两种code组合在一输入到网络里面，输出一个分数。
- 首先让图片经过一个网络，输出一个分数（用于判断图片是否真实），同时这个网络也输出一个code，这个code和条件结合起来输入到另外一个网络里，也输出一个分数（图片和文字是否匹配）。
- Stack GAN（叠加生成对抗网络）
第一个网络生成小的图片，第二个网络生成大的图片。
- Image-to-image
传统做法存在的问题就是产生的图片很模糊，是因为它是许多张图片的平均。
Conditional GAN的做法就是，generator的输入一张图片和noise z，输出一张图片，discriminator会输入产生的image和input，输出一个scalar。通过算法的迭代，生成下面第三张图片，看起来很清晰，但和真实的图片还是有差异。所以提出了GAN+close，对generator生成的image加上限制，使得生成的image与真实对象越接近越好，得到第四张图片。
- Speech Enhancement(语音增强)
这里和image-to-image原理类似，都是把G的输入和输出作为D的输入。
- Video Generation
Video Generation能够根据影片的前几帧产生后几帧。conditional 为之前几帧的图片。
