深度学习中对抗生成网络GAN背后的数学原理

引言

GAN的风暴席卷了整个深度学习圈子,任何任务似乎套上GAN的壳子,立马就变得高大上了起来。那么,GAN究竟是什么呢?

GAN的主要应用目标:

生成式任务(生成、重建、超分辨率、风格迁移、补全、上采样等)

GAN的核心思想:生成器G和判别器D的一代代博弈

生成器:生成网络,通过输入生成图像

判别器:二分类网络,将生成器生成图像作为负样本,真实图像作为正样本

learn 判别器D:

给定G,通过G生成图像产生负样本,并结合真实图像作为正样本来训练D

learn 生成器G:

给定D,以使得D对G生成图像的评分尽可能接近正样本作为目标来训练G

G和D的训练过程交替进行,这个对抗的过程使得G生成的图像越来越逼真,D“打假”的能力也越来越强。

觉得不是很好理解嘛?别着急,慢慢往下看!


1 从极大似然估计说起

补充:
分布的表示:P(x)
表示该分布中采样到样本x的概率,试想如果我们知道该分布中每个样本的采样概率,那么这个分布也就可以以这种形式表示出来了。
确定分布的表示:P(x;)
其中表示该分布的参数,该分布的具体形式确定了(比如 P(x;) 可以是高斯分布,就是高斯分布的均值 µ和方差

先来介绍一下极大似然估计

1.1 极大似然估计要解决的问题

  • 给定一个数据分布 P_{data}(x)

  • 给定一个由参数定义的数据分布 P_G(x;\theta )

  • 我们希望求得参数使得 P_G(x;\theta )尽可能接近P_{data}(x)

可以理解成:

P_G(x;\theta )是某一具体的分布(比如简单的高斯分布),而 P_{data}(x)

是未知的(或者及其复杂,我们很难找到一个方式表示它),我们希望通过极大似然估计的方法来确定 ,让 P_G(x;\theta )能够大体表达P_{data}(x) 。

1.2 极大似然估计的解决方案

  1. 从 P_{data}(x) 采样m个样本 \left \{ x^1,x^2,x^3,\cdot \cdot \cdot x^m \right \}

  2. 计算采样样本的似然函数 L = \displaystyle \prod \limits_{i=1}^{m} P_G(x^i;\theta )

  3. 计算使得似然函数 L 最大的参数 : 

    图片

 这里再啰嗦一下极大似然估计为什么要这么做:

 P_{data}(x)可以理解成是非常复杂的分布,不可能用某个数学表达精确表示,因此我们只能通过抽象,使用一个具体的分布模型 P_G(x;\theta ) 近似 P_{data}(x)

所以,求 P_G(x;\theta ) 的参数 的策略就变成了:
我们认为来自 P_{data}(x) 的样本 \left \{ x^1,x^2,x^3,\cdot \cdot \cdot x^m \right \} 在 P_G(x;\theta )  分布中出现的概率越高,也就是 L = \displaystyle \prod \limits_{i=1}^{m} P_G(x^i;\theta ) 越大, P_G(x;\theta )  和   P_{data}(x) 就越接近。
因此,我们期待的就是使得 L = \displaystyle \prod \limits_{i=1}^{m} P_G(x^i;\theta ) 最大的.
即: 

图片

咱们继续推导:

深度学习中对抗生成网络GAN背后的数学原理_第1张图片

关于最后一步:

因为我们求取的是 ,而式一 \int _x P_{data}(x)logP_{data}(x)dx与无关,因此加上这一项并不影响等式。

加上这一项是为了后面的推导,把极大似然函数的式子化简成KL散度的表达式

(公式推导接上)

深度学习中对抗生成网络GAN背后的数学原理_第2张图片

KL散度:
KL(P||Q) 衡量P,Q这两个概率分布差异的方式:

图片

1.3 极大似然估计的本质

找到 使得 P_G(x;\theta ) 与目标分布 P_{data}(x) 的KL散度尽可能低,也就是使得两者的分布尽可能接近,实现用确定的分布P_G(x;\theta ) 极大似然 P_{data}(x)

2 GAN的基本思想

2.1 生成器:有问题?试试神经网络!

GAN的主要应用是集中在生成

本质就是在做一个极大似然估计的事情,我们希望可以用某一种具体的分布形式 P_G(x;\theta ) 尽可能逼真地表达分布 P_{data}(x)  ,这样我们就相当于是得到了 P_{data}(x) ,并据此分布 P_G(x;\theta ) 采样(也就是做生成式的任务):

  1. 确定具体分布的形式 P_G(x;\theta ) 

  2. 极大似然估计求得.我们认为我们可以使用 P_G(x;\theta ) 近似表达 P_{data}(x)  

  3. 基于 P_G(x;\theta ) 采样做生成

那么最直接的想法:  P_G(x;\theta ) 直接用高斯分布模型,但是高斯分布的capacity太弱了,不能很有效地推广至去拟合各种差异很大地目标图像分布

想要得到更general的 P_G(x;\theta ) ,为什么不考虑使用具有强大拟合能力的神经网络来做呢???!!!

我们不妨设计一个神经网络G来得到更general的 P_G(x;\theta ) ,大概的结构图如下:

深度学习中对抗生成网络GAN背后的数学原理_第3张图片

解释一下:

整体pipeline:

  1. 我们先选取一个简单的先验分布 P_{prior},并从该先验分布中采样z作为输入,输入到神经网络G,得 G(z)= x 生成图像 x .我们通过这种方式构建了生成分布  P_G(x;\theta ) 。此时该分布主要由神经网络G决定,参数由网络参数定义.我们可以通过输入z来在该分布上采样 x .

  2. 我们的目标是 P_{data}(x),我们希望我们构建的 P_G(x;\theta ) 与它尽可能接近。我们无法获得 P_{data}(x)的具体表达形式,我们只能获得它的样本。

  3. 类似极大似然估计,我们通过比较两个分布样本的差异设计loss来调节优化神经网络G的参数,从而实现将分布 P_G 向 P_{data} 拉近,从而达到用 P_G 拟合表达 P_{data} 的效果。

P_{prior}表示一个先验分布,我们生成图像 x 需要输入的code z 就是服从这个先验分布的。这个先验分布比如可以是:高斯分布

图片

指示函数 I_{\left [ G(z;\theta ) == x \right ]} 表示当 [] 内的条件为真时取值为1,为假时取值为0

也就是说分布 P_G 采样 x 的概率是所有能够使得 G(z;\theta ) == x 成立的z出现的概率之和,而z在这里是符合先验分布 P_{prior}(z) 的。

显然, P_G(x;\theta ) 的计算是非常困难的。

然而, P_G(x;\theta ) 的计算又是非常必要的,因为我们需要验证  P_G(x;\theta ) 在不断靠近 P_{data}(x) .

现在这种情况使用极大似然估计根本无从下手啊!!!

那么现在,GAN来了!!!

2.2 判别器:有问题?GAN来了!

GAN由生成器G和判别器D组成。

其实上面我们已经基本介绍了生成器G的由来了,并且我们遇到了一个问题:  P_G(x;\theta ) 极其复杂的计算方式导致使用极大似然估计根本无从下手啊!!!

为了解决这个问题,我们引入了判别器D!

现在GAN的结构就完备了!!

对于生成器G:

  1. G 是一个函数,输入 z ~ P_{prior} ,输出(上面已经介绍了)x ~ P_G

  2. 先验分布 P_{prior},  P_{prior} 和G共同决定的分布 P_G对于判别器D:

  3. D是一个函数,输入 x ~ P_G ,输出一个scalar

  4. D用于评估 P_G(x;\theta ) 和  P_{data}(x) 之间的差异(解决上一小节提出的问题)

那么,GAN的最终目标-->用符号化语言表示就是:

图片

我们的目标是得到使得式子 max_D \,\,V(G,D) 最小的生成器 G^*.

关于V:

图片

给定G, max_D \,\,V(G,D)  衡量的就是分布 P_G 和 P_{data} 的差异。

因此,arg\,\, min_G \,\,max_D \,\,V(G,D) 也就是我们需要的使得差异最小的 G .

详细解释 V(G,D) :

对于 max_D \,\,V(G,D) ​​​​​​:

固定G ,最优 D^* 最大化:

深度学习中对抗生成网络GAN背后的数学原理_第4张图片

假设D(x) 可以表达任何函数

此时再固定 x ,则对于 P_{data}(x)logD(x)+P_G(x)log(1-D(x)),我们可将其看成是关于D的函数: f(D)=a \,logD+b \,log(1-D)

图片

解得

图片

即:

图片

则此时对于原式 V(G,D) (将 D^* 代入):

深度学习中对抗生成网络GAN背后的数学原理_第5张图片

JSD表示JS散度,它是KL散度的一种变形,也表示两个分布之间的差异: 

深度学习中对抗生成网络GAN背后的数学原理_第6张图片

与KL散度不同,JS散度是对称的。 

以上的公式推导,证明了  max_D \,\,V(G,D) 确实是衡量了 P_{data}(x) 和 P_G(x) 之间的差异。

图片

此时,最优的G:

图片

也就是使得 JSD(P_{data}(x) \left | \right | P_G(x)) 最小的G

图片

当 JSD(P_{data}(x) \left | \right | P_G(x)) = 0 时,表示两个分布完全相同。

对于 G^* = arg \,\, min_G \,\, max_D \,\, V(G,D) ,令 L(G)=max_D \,\, V(G,D)=V(G,D^*)

我们该如何优化从而获得 G^* 呢???

我们希望通过最小化损失函数L(G) ,找到最优的G。

这一步可以通过梯度下降实现:

深度学习中对抗生成网络GAN背后的数学原理_第7张图片

具体算法参考:

第一代:

  1. 给定 G_0 (随机初始化)

  • 确定 D^*_0 使得 V(G_0,D)  最大。此时 V(G_0,D^*_0) , 表示 P_{data}(x) 和 P_{G_0}(x) 的JS散度

  • 梯度下降:\theta _G \leftarrow \theta _G -\eta \frac{\partial V(G,D^*_0)}{\partial \theta _G} .得到 G_1

第二代:

2. 给定 G_1

  • 确定 D^*_1 使得 V(G_1,D) 最大。此时 V(G_1,D^*_1) , 表示 P_{data}(x) 和 P_{G_1}(x) 的JS散度

  • 梯度下降:\theta _G \leftarrow \theta _G -\eta \frac{\partial V(G,D^*_1)}{\partial \theta _G} .得到 G_2 

 。。。

后面的依此类推

以上算法有一个问题:如何确定 D^* 使得 V(D,G) 最大???

也就是:给定 G,如何计算 arg \,\, max_D \,\, V(G,D) 

回答:

从 P_{data}(x) 采样 \left \{ x^1,x^2,x^3,\cdot \cdot \cdot x^m \right \}

从 P_G(x) 采样 \left \{ \tilde{x^1}, \tilde{x^2},\cdot \cdot \cdot \tilde{x^m} \right \} 

因此我们可以将 max_D \,\, V(G,D) 从期望值计算改写为对样本计算(近似估计):

深度学习中对抗生成网络GAN背后的数学原理_第8张图片

这很自然地让我们想到二分类问题中常使用的交叉熵loss

因此,我们不妨联想:

D是一个二分类器,参数是 \theta _D 来自  P_{data}(x) 的采样 \left \{ x^1,x^2,x^3,\cdot \cdot \cdot x^m \right \} 作为正样本

来自 P_G(x) 的采样 \left \{ \tilde{x^1}, \tilde{x^2},\cdot \cdot \cdot \tilde{x^m} \right \} 作为负样本

那么此时,我们就将问题转化成了一个二分类问题:

交叉熵loss大 --> P_{data} 和 P_G JS散度小

交叉熵loss小 --> P_{data} 和 P_G JS散度大

此时,D就是可以使用一个神经网络作为二分类器,那么确定D,也就是可以使用梯度下降来优化获得D的最终参数。

GAN的最终算法流程:

初始化参数 \theta _D(for D)和 \theta _G(for G)

对于训练的每一轮:

第一部分 学习优化判别器D:

  • 从 P_{data}(x) 采样 \left \{ x^1,x^2,x^3,\cdot \cdot \cdot x^m \right \}

  • 从 P_{prior}(z) 采样 \left \{ z^1,z^2,z^3,\cdot \cdot \cdot z^m \right \} 

  • 通过生成器 \tilde{x^i}=G(z^i) 获得生成样本 \left \{ \tilde{x^1}, \tilde{x^2},\cdot \cdot \cdot \tilde{x^m} \right \} 

  • 梯度下降更新 \theta _D来最大化 : 

    图片

    :

    图片

注:以上第一部分可以重复多次:此过程本质上是在测量两分布之间的JS散度

第二部分 学习优化生成器G:

  • 再从 P_{prior}(z) 采样另一组 \left \{ z^1,z^2,z^3,\cdot \cdot \cdot z^m \right \}  

  • 梯度下降更新 \theta _G 来最小化 : 

    图片

    :

    图片

     .实际上 \tilde{V} 第一项与G无关,梯度下降只需最小化

    图片

    即可。

注:以上过程仅一次

最后的话:

其实在GAN之前,就已经有Auto-Encoder,VAE这样的方法来使用神经网络做生成式任务了。

GAN的最大的创新就是在于非常精妙地引入了判别器,从样本的维度解决了衡量两个分布差异的问题。

这种生成器和判别器对抗学习的模式,也必将在各种生成式任务中发挥其巨大的威力。

你可能感兴趣的:(深度学习,生成对抗网络,人工智能,神经网络,GAN,深度学习)