机器学习2021-GAN

Generative Model

1.Generative模型介绍

• 引入：将network当作一个生成器
• 输入是简单的distribution，经过network,输出复杂的distribution
  • 输入可以是一个已知的formulation，然后sample from it
  • 为什么使用distribution？是为了输出的创造性，即当有相同的输入时可以有不同的输出

2.GAN(生成式对抗模型)

• 应用举例：动画人脸生成，先考虑unconditional gerneration
• 低维的输入通过Generator输出高维的向量，然后将输出交给另一个network（即Discriminator），输出一个scalar，数值越大表示输出越真
• GAN的基本概念：
  • 生成器和判别器的对抗，二者不断进步
• 算法：
  • 先初始化生成器和判别器
  • In each training iteration:
    • step1:固定生成器，更新判别器（区分真实的和生成的）
    • step2:固定判别器，更新生成器（尝试骗过判别器）

3.GAN的原理

• 训练目标是什么：

  • 对于生成器，是找network里的一组参数，使得生成的数据和真实数据越相近越好
  • 对于判别器，是找network里的一组参数，使得能够准确区分真实数据和生成的数据
  • 数学表达：
    • V(D,G) = E[log D(x)] + E[log(1-D(G(z)))]
    • 其中D是判别器，G是生成器，x是真实数据，z是随机噪声
    • 判别器D的目标是最大化V(D,G)，生成器G的目标是最小化V(D,G)
  • V(D,G) 本质上是一个negtive的交叉熵，相当于训练一个分类器

• GAN难以训练的问题：

  • 大部分情况下真实数据和生成数据几乎是不重叠的，（判别器）分类器可以很轻松的将其分开，此时，准确率或者说损失在GAN训练时是没有意义的。训练起来就很困难，需要在中途多次输出图片来查看效果

• 解决：

  • 换一个衡量两个distribution的办法—WGAN：解决原始 GAN 训练不稳定和模式崩溃的问题

  • WGAN 使用 Wasserstein 距离来衡量真实数据分布和生成数据分布之间的差异，当真实数据和生成数据逐渐靠近时，Wasserstein距离也是逐渐变小的，便于训练

  • WGAN 如何解决 GAN 的问题：

    • WGAN 的损失函数公式：

    max(D属于1-lipschitz,足够平滑) = E[D(x)] - E[D(G(z))]

    • 其中，D 是评论家（原判别器），G 是生成器，x 是真实数据样本，z 是随机噪声。WGAN 的目标是最小化这个 Wasserstein 距离。
    • 提供了更稳定的梯度：Wasserstein 距离在整个样本空间中都是连续和可微的
    • 减少模式崩溃：通过使用 Wasserstein 距离，WGAN 能够更好地捕捉整个数据分布，而不是只关注某些模式

  • WGAN 的主要改进：

    • 将判别器替换为评论家（Critic），评论家不再输出概率，而是输出一个实数
    • 使用 Wasserstein 距离作为损失函数
    • 对评论家的权重进行裁剪，以满足 Lipschitz 连续性条件

  4.Tips for GAN:

  • GAN在文字生成任务中的挑战：
    • 离散性：文本是离散的，而GAN通常用于生成连续数据（如图像）
    • 梯度传播：由于文本的离散性，难以直接进行梯度反向传播
    • 长期依赖：文本生成需要考虑长期依赖关系，而GAN通常擅长处理局部特征
  • 结合强化学习（RL）的优势：
    • 策略梯度：RL中的策略梯度方法可以处理离散输出
    • 奖励机制：可以设计适合文本生成的奖励函数，如BLEU分数或语义相关性
    • 序列决策：RL擅长处理序列决策问题，适合文本生成的特性

  5.GAN的评价指标

  • 看一张图：通过一个影像辨识系统（Classifier），如果输出的概率分布比较集中，说明生成质量比较好
    • 问题1：Mode Collapse，多样性很差，生成的都是接近真实数据中少部分的数据
    • 问题2：Mode Dropping，生成的数据都只是真实数据的一部分接近（比较难解决）
  • 看一堆图片：通过影像辨识系统，如果分布越平坦，表示多样性越好
  • 指标：
    • Inception Score (IS)：
      • 衡量生成图像的质量和多样性
      • 高IS表示生成的图像质量高且多样性好
      • 缺点：不能很好地捕捉真实数据分布的特征，当都生成人脸，就难以判断多样性
    • Fréchet Inception Distance (FID)：
      • 拿出最后一层隐藏层输出的向量，来计算真实图像和生成图像在特征空间中的距离，较低的FID表示生成的图像更接近真实分布
      • 优点：能更好地反映生成图像的质量和多样性，比如人脸数量的检测

  6.Conditional GAN

  • 增加生成器的输入，多一个x
  • 应用举例：Text to image的监督学习，x就是文字
  • 训练：
    • 生成器：学习将输入的文本向量和随机噪声映射到图片空间
    • 判别器：区分真实图像和生成图像，并判断图像是否符合输入的文本描述
    • 损失函数：
      • 对抗损失：生成器试图生成判别器认为真实的图像，而判别器则试图将生成器生成的图像标记为假的。
      • 条件匹配损失：用于确保生成图像和文本描述相符。

  7.Cycle GAN

  • 无监督学习，没有匹配的数据
  • 应用举例：图像风格迁移
  • 核心思想：循环一致性（Cycle Consistency）。它使用了两个生成器和两个判别器来实现风格迁移，并保证转换前后的图像内容一致性。

  1. 生成器G和F

     ：CycleGAN包含两个生成器，分别用于实现不同风格的映射：

     • 生成器 G：将图像从风格域X映射到风格域Y（例如，将普通照片转换为油画风格）。
     • 生成器 F：将图像从风格域Y映射回风格域X（例如，将油画风格图像转换回普通照片风格）。

  2. 判别器DX和DY

     ：CycleGAN还包含两个判别器：

     • 判别器 DX：用于判断图像是否属于风格域X（即区分普通照片和生成的照片）。
     • 判别器 DY：用于判断图像是否属于风格域Y（即区分真实油画风格图像和生成的油画风格图像）。
  • 其他应用：
    • 文字风格转换，无监督的摘要，翻译，语音转文字