李宏毅对抗生成网络 (GAN)教程(4)Tips for GAN (WGAN EBGAN)

2023-12-01 21:50

本文主要是介绍李宏毅对抗生成网络 (GAN)教程(4)Tips for GAN (WGAN EBGAN),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在李宏毅GAN教程(3) 的基础上增添修改内容

文章目录

    • JS散度不是很适合
    • LSGAN
    • EBGAN
    • LSGAN(Loss-sensitive GAN)
    • 仍然存在的问题
    • GAN for Sequence Generation

为了让GAN容易训练

JS散度不是很适合

最原始的GAN量的是Pg和Pdata之间的JS散度;但是有一个严重的问题:可能两个分布没有任何的重叠,一方面的原因是由于image在高维空间中的分布其实是低维的流形(二维平面折叠在三维空间中),高维空间中的低维流形几乎是可以忽略的,高维空间中随意抽样只有非常小的范围是图片;另一方面,在衡量Pg和Pdata的散度的时候,我们是从两个分布中sample得到两堆data,再去量他们之间的散度,即使计算分布有重叠,但是抽样出的data之间是没有重叠的,我们完全可以视data的得到的分布没有任何交集(可以用弯曲的线划开)
在这里插入图片描述
由于Pg和Pdata没有任何的重合,JS散度会有很大的问题?
只要两个分布没有重叠,不管他们是不是接近,算出来的JS散度就是log2。例子如图:虽然G1比G0更接近Pdata,但是从JS散度看起来,两者是没有差别的。这样的话,train起来是有问题的;(实际上在训练的时候,我们的生成器的目标是最小化Pg和Pdata之间的散度,然后你用判别器量出散度,但是对生成器来说Pg0和Pg1是一样的,因此生成器不会将Pg0更新为Pg1.)
在这里插入图片描述
下面从直觉角度看:为什么只要两个分布没有重叠,散度就是log2.
我们是怎样求两个分布的散度的呢?实际上的操作是:我们有两群data,把它视为两个class,然后判别器就是一个二元分类器,然后最小化交叉熵损失;只要两堆数据没有重合,就能够很好地分成两类,那么他们的loss就是一样的,这意味着量出来的JS散度是一样的。
在原始GAN里面,当你train的是一个二元分类器时,你会发现是比较难以train的,因为没有重叠就是一样差的。 在这里插入图片描述
另外一个直观的想法是:当你learn一个二元分类器的话,会给蓝色的点0分,绿色点1分;output是sigmoid函数,在接近0或1的地方特别平,原本是希望Generator可以顺着红色的线把蓝色的点往右移,更接近真实图像,但如果用二分类做discriminator的话,蓝色点附近的梯度都是零,蓝色的点几乎是不动的。 过去一个方法是不要把二元分类器训练的特别好(??),太好了就梯度为0了。 在这里插入图片描述
原本是希望Generator可以顺着红色的线把蓝色的点往右移,更接近真实图像。但如果用二分类做discriminator的话,蓝色点附近的梯度都是零,点不会移动。

LSGAN

将输出的sigmiod换成linear,从分类问题,变成了回归问题。正样本越接近1越好,负样本越接近0越好。
在这里插入图片描述
二、Wasserstein GAN (WGAN)
可以用任何其他的F divergence,(WGAN其实不属于F divergence,不属于f GAN)。
换一种方式来衡量Pg和Pdata,用的是Wasserstein distance /earth mover’s distance; 意思是假设你有两堆data P 和 Q,而你开着一个推土机,将 P土 推到 Q土 ,移动的平均距离就叫Wasserstein distance。
在这里插入图片描述
出现一个问题:同样的分布,推土机可能走过的路程不一样,
在这里插入图片描述
有很多移动土的方法,穷举所有可能的铲土的方法(moving plan),哪个方法的距离最小,就是earth mover’s distance。
更正式的定义:想要把P挪到Q;我们首先要定义一个moving plans,其实就是一个矩阵,每一个元素指的是从纵坐标的挪多少土到横坐标;越亮表示挪的图越多。(这里先不管两个位置的距离)
在这里插入图片描述
假设给你一个moving plans,叫做gamma;每个格子代表要移动的土,每行加起来就是左边P的高度,每列加起来就是上面Q的高度。那么根据它所走的距离是多少呢?
穷举所有的位置: γ ( x p , x q ) \gamma(x_p,x_q) γxpxq每个位置你要挪多少土,然后再算xp与xq之间的距离。
接下来,穷举所有的gamma,看哪个gamma最小,就是Wasserstein distance。所以算W distance是非常复杂的,每次都要解一个optimization problem。
使用JS散度的时候,不重叠都是log2;当使用W散度的时候,当两个分布虽然不重叠但是当距离变小的时候,散度也变小。
在这里插入图片描述
我们怎样改判别器,才能使判别器得到的结果是wassertein distance呢?(最大化之前的V(也就是二分类训练)得到的结果是衡量JS散度的)我们怎样改V才能使最大化V是wassertein distance呢?

  • 如果y是从Pdata中sample出来的,让它的判别器输出越大越好;
  • 如果y是从PG中生成的,让它的判别器输出越小越好;

除此之外,还要有一个约束,就是判别器必须是一个1-Lipschitz函数;一个重要特点就是它很平滑
如果没有这个约束,判别器一味着让:real的分数就越来越高,generated的分数越来越低;那么就崩溃了,永远不会收敛(高度可以一直变化到无穷大无穷小)
因此必须有额外的限制,让判别器必须是平滑的
在这里插入图片描述
意思是说discriminator是平滑的,不可以变动很剧烈。也就是说如果real和generated距离很近的话就不可以差异很大,如果距离很远,他们的值就可以差很多。
Lipschitz函数:input之间的差距乘K要大于等于output之间的差异,也就是说output差距不能太大。
当K=1的时候就是1-Lipschitz函数,output变化比input小。
在这里插入图片描述
怎样来训练这个判别器网络呢?
1、weight clipping(最原始的方法,稍微限制了平滑性,没有限制在1-Lipschitz)
仍然使用梯度上升来max V 但是当你发现某个参数w大于你设定好的c就设定为c,小于你设定好的-c就设定为-c
在这里插入图片描述
2、improve WGAN(WGAN-GP)
Gradient 的penalty。如果一个函数是1-Lipschitz的话,等价于:每一个位置的gradient的norm都小于等于1;
在这里插入图片描述
近似等价于:在原来的这项后面加上一个正则化项,对所有的x做积分,被积函数是:如果梯度范数小于等于1,这一项为0,否则为梯度范数减1。希望梯度范数对所有的x都要满足小于1;
但是我们不能对所有x积分,因此我们是假设X是从某一个事先定好的分布中Ppenalty中sample出来的,只管这部分的x,其他的就不管了。
在这里插入图片描述
Ppenalty长什么样子呢?
就是从Pdata和Pg选取两个点,连成直线,从直线间sample当作Ppenalty中的x;为什么可以只对中间部分penalty呢?因为我们是想让PG往Pdata移动,PG是看着中间部分的斜率移动的,只有中间的区域才会影响结果,才需要考虑discrimination的形状。
在这里插入图片描述
除此之外,本来我们希望的是梯度的范数如果大于1,给它惩罚;小于1 不用惩罚;实际上我们在训练的时候是希望范数越接近1越好。收敛更快
在这里插入图片描述
其实好像应该选择在data中抽取的样本中,与生成样本最近的点,只penalize这两个点之间的gradient。也有人说gradient penalty应该在P_data区域
3、Spectrum Norm(SNGAN)
真的可以限制discriminator在每一个位置的梯度范数都小于1(之前只是大概限制了某个范围内的):
在这里插入图片描述
怎样从GAN 改成 WGAN
我们首先看一下原始GAN 的算法:
在这里插入图片描述
WGAN: 要改四个地方:
1、改V,log去掉
2、 sigmoid拿掉变成线性
3、加上正则化项,Weight clipping/Gradient Penalty,否则可能不收敛
4、改生成器更新公式
在这里插入图片描述

EBGAN

把判别器从二分类器改成了 autoencoder。算auto encoder的reconstruction error重建误差,用负的重建误差作为判别器的输出
认为一张图片能被reconstruction的越好,质量越高
好处:二分类器需要正负样本同时输入进行训练,无法pre-train,只能逐渐变强;但是autoencoder的判别器可以pre-train,可以只用正样本进行预训练,让它minimize reconstruction error就好;一开始的判别器会很强,这样你的生成器一开始就会产生很好的image;
在这里插入图片描述
要注意的地方:并不是让generated的example分数越小越好,或是reconstruction error越大越好。
因为建设比较难但是破坏很简单,如果目标是最大化重建误差的话,会导致discriminator看到什么图片都输出噪声。
实际训练的时候,会设置一个参数当小于时就定值。margin要手动调。
在这里插入图片描述

LSGAN(Loss-sensitive GAN)

加了margin,希望x’分数很低,x’'分数只要低于margin就好
在这里插入图片描述

仍然存在的问题

Discriminator无法分辨差异,generator就无法生成更准确的图片,二者其中一个无法进步时另一个也无法进步了。而且训练中无法调整超参数。
在这里插入图片描述

GAN for Sequence Generation

在这里插入图片描述
token:自己定义的,类似于词元,每次生成的单位
Decoder的参数发生小变化的时候,可能并不会对token的最大输出产生影响,所以discriminator的结果可能是没有变化的,这种情况下没有办法做gradient descent。
在做max polling的时候,我们知道哪个元素导致了这个最大值,在做back propagation的时候,只需要考虑这一个元素即可,其他元素置零。而对于GAN来说,我们不知道是哪个元素导致了这些字的输出。
不能用gradient descent的问题可以就当做reinforcement learning,RL+GAN很难训练
在这里插入图片描述

这篇关于李宏毅对抗生成网络 (GAN)教程(4)Tips for GAN (WGAN EBGAN)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/442817

相关文章

Linux系统中卸载与安装JDK的详细教程

《Linux系统中卸载与安装JDK的详细教程》本文详细介绍了如何在Linux系统中通过Xshell和Xftp工具连接与传输文件,然后进行JDK的安装与卸载,安装步骤包括连接Linux、传输JDK安装包... 目录1、卸载1.1 linux删除自带的JDK1.2 Linux上卸载自己安装的JDK2、安装2.1

Linux卸载自带jdk并安装新jdk版本的图文教程

《Linux卸载自带jdk并安装新jdk版本的图文教程》在Linux系统中,有时需要卸载预装的OpenJDK并安装特定版本的JDK,例如JDK1.8,所以本文给大家详细介绍了Linux卸载自带jdk并... 目录Ⅰ、卸载自带jdkⅡ、安装新版jdkⅠ、卸载自带jdk1、输入命令查看旧jdkrpm -qa

Java使用Curator进行ZooKeeper操作的详细教程

《Java使用Curator进行ZooKeeper操作的详细教程》ApacheCurator是一个基于ZooKeeper的Java客户端库,它极大地简化了使用ZooKeeper的开发工作,在分布式系统... 目录1、简述2、核心功能2.1 CuratorFramework2.2 Recipes3、示例实践3

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

springboot简单集成Security配置的教程

《springboot简单集成Security配置的教程》:本文主要介绍springboot简单集成Security配置的教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录集成Security安全框架引入依赖编写配置类WebSecurityConfig(自定义资源权限规则

在java中如何将inputStream对象转换为File对象(不生成本地文件)

《在java中如何将inputStream对象转换为File对象(不生成本地文件)》:本文主要介绍在java中如何将inputStream对象转换为File对象(不生成本地文件),具有很好的参考价... 目录需求说明问题解决总结需求说明在后端中通过POI生成Excel文件流,将输出流(outputStre

MySQL Workbench 安装教程(保姆级)

《MySQLWorkbench安装教程(保姆级)》MySQLWorkbench是一款强大的数据库设计和管理工具,本文主要介绍了MySQLWorkbench安装教程,文中通过图文介绍的非常详细,对大... 目录前言:详细步骤:一、检查安装的数据库版本二、在官网下载对应的mysql Workbench版本,要是

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

通过Docker Compose部署MySQL的详细教程

《通过DockerCompose部署MySQL的详细教程》DockerCompose作为Docker官方的容器编排工具,为MySQL数据库部署带来了显著优势,下面小编就来为大家详细介绍一... 目录一、docker Compose 部署 mysql 的优势二、环境准备与基础配置2.1 项目目录结构2.2 基

Linux安装MySQL的教程

《Linux安装MySQL的教程》:本文主要介绍Linux安装MySQL的教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux安装mysql1.Mysql官网2.我的存放路径3.解压mysql文件到当前目录4.重命名一下5.创建mysql用户组和用户并修