关键词

GAN生成对抗网络入门理解

有兴趣阅读GAN鼻祖之作的给出链接:  2014年NIPS Generative Adversarial Net

原理解释

GAN核心思想:生成器G与判别器D,双方博弈。

  • 生成器G的输入是手工样本/噪声/随机数之类,通过模型学习(包装)成一个逼真的样本进行输出。这里所谓逼真指的是逼近真实的样本。目的:使得自己造样本的能力尽可能强,强到什么程度呢,你判别网络没法判断我是真样本还是假样本。
  • 判别器D的输入是生成器的输出,二分类模型判断该输入是否是真实样本。目的:判别出来属于的一张图来自真实样本集还是假样本集。假如输入的是真样本,网络输出就接近1,输入的是假样本,网络输出接近0,达到完美状态。
  • 博弈过程:生成网络与判别网络的目的正好是相反的,一个说我能判别的好,一个说我让你判别不好。判别网络说,我很强,来一个样本我就知道它是来自真样本集还是假样本集。生成网络就不服了,说我也很强,我生成一个假样本,虽然我生成网络知道是假的,但是你判别网络不知道呀,我包装的非常逼真,以至于判别网络无法判断真假,那么用输出数值来解释就是,生成网络生成的假样本进去了判别网络以后,判别网络给出的结果是一个接近0.5的值,极限情况就是0.5,也就是说判别不出来了。

模型实现

扯完皮了,下面看一下怎么样训练模型。

生成模型与对抗模型可以说是完全独立的两个模型,好比就是完全独立的两个神经网络模型,他们之间没有什么联系。那么训练这样的两个模型的大方法就是:单独交替迭代训练。

下图给出模型示意,红线以上是判别模型,红线以下是生成模型+判别模型。

第一步:(训练判别模型)

初始化生成模型,输入一堆随机数组,得到一堆假的样本集,而真样本集默认给定。制定标签:真样本集所有的类标签都为1,而假样本集的所有类标签都为0。单就判别网络来说,此时问题就变成了一个再简单不过的有监督的二分类问题了,直接送到神经网络模型中训练就完事了。这样我们就得到了具备一定判别能力的判别模型。

第二步:(训练生成模型)

生成网络的训练其实是对生成-判别网络串接的训练,就像上图中显示的那样。输入噪声数组Z,通过生成模型生成了假样本,此时很关键的一点来了,既然我们已经有了初具判断能力的判别模型,我们固定判别模型参数,将这些假样本的标签都设置为1,使得生成模型向着真样本分布去拟合。

好了,重新顺一下思路,现在对于生成网络的训练,我们有了样本集(只有假样本集,没有真样本集),有了对应的label(全为1),是不是就可以训练了?有人会问,这样只有一类样本,训练啥呀?谁说一类样本就不能训练了?只要有误差就行。还有人说,你这样一训练,判别网络的网络参数不是也跟着变吗?没错,这很关键,所以在训练这个串接的网络的时候,一个很重要的操作就是不要判别网络的参数发生变化,也就是不让它参数发生更新,只是把误差一直传,传到生成网络那块后更新生成网络的参数。这样就完成了生成网络的训练了。

重复上述两步:

完成第二步后,可以根据目前新的生成网络再对先前的那些噪声Z生成新的假样本,并且训练后的假样本应该是更真了才对。这样又可以重复上述过程了。我们把这个过程称作为单独交替训练。我们可以实现定义一个迭代次数,交替迭代到一定次数后停止即可。这个时候我们再去看一看噪声Z生成的假样本会发现,原来它已经很真了。

目标公式

max过程固定G生成模型优化D判别模型,min过程反之。

优势

GAN强大之处在于可以自动的学习原始真实样本集的数据分布(生成模型);

GAN强大之处在于可以自动的定义潜在损失函数。(判别模型)

本文链接:http://task.lmcjl.com/news/12085.html

展开阅读全文