GAN属于生成模型,使用生成数据分布PGP_{G}去无限逼近数据的真实分布PdataP_{data}。衡量两个数据分布的差异有多种度量,例如KL散度等,但是前提是得知道PGP_{G}。GAN利用discriminator巧妙地衡量了PG,PdataP_{G},P_{data}的差异性,利用discriminator和generator的不断竞争(minmax)得到了好的generator去生成数据分布PGP_{G}。
很多时候,我们想输入一类数据,然后让机器学习这一类数据的模式,进而产生该类型新的数据。例如:
该问题的核心是原数据有其分布PdataP_{data},机器想要学习新的分布PGP_{G}去无限逼近PdataP_{data}。
一个简单的解决办法是采用异常检测的模型,通过输入大量的正常数据,让机器学习正常数据的内在规律。例如:自编码器模型如下。通过训练数据学习到数据的内在模式code。学习到code后,随机输入新的code便可以产生数据。
对于mnist数据,设code为2维,训练之后输入code得到的图片如下:
但是这种情况下,机器学习到的只是这个数据大概长什么样,而不是数据的真实分布。例如下图的两个7,在人看来都是真的图片7,但是机器却不这么认为。
GAN由generator和discriminator两部分组成:
z -> G -> x' -> D -> 01
x ->
GAN的训练,也包括generator和discriminator两部分:
整体来看,generator和discriminator构成了一个网络结构,通过设置loss,保持某一个generator和discriminator参数不变,通过梯度下降更新另外一个的参数即可。
已知两个分布Pdata(x)P_{data}(x)和PG(x;θ)P_{G}(x;\theta),目标是找到GG的θ\theta使两个分布尽量接近。
采用最大似然估计,有:
θ∗=argmaxθ∏i=1mPG(xi;θ)=argmaxθ∑i=1mlogPG(xi;θ)≈argmaxθEx∼Pdata(x)[logPG(x;θ)]=argmaxθ∫Pdata(x)logPG(x;θ)dx−∫Pdata(x)logPdata(x)dx=argminθKL(Pdata(x)||PG(x;θ))
\begin{split} \theta^* &= \arg \max_{\theta} \prod_{i=1}^m P_{G}(x^i;\theta) \\ &= \arg \max_{\theta} \sum_{i=1}^m \log P_{G}(x^i;\theta) \\ &\approx \arg \max_{\theta} E_{x \sim P_{data}(x)} [\log P_{G}(x;\theta) ] \\ &= \arg \max_{\theta} \int P_{data}(x) \log P_{G}(x;\theta) dx - \int P_{data}(x) \log P_{data}(x)dx \\ &= \arg \min_{\theta} KL(P_{data}(x) || P_{G}(x;\theta)) \end{split}
也就是说,最大似然PG(x;θ)P_{G}(x;\theta)的概率等价于:最小化基于PG(x;θ)P_{G}(x;\theta)的编码来编码Pdata(x)P_{data}(x)所需的额外位元数。也就是最小化KL散度。
下面只需要计算出PG(x;θ)P_{G}(x;\theta),一切问题似乎都解决了。事实确实这样,不过对于不同的GG,PG(x;θ)P_{G}(x;\theta)计算的难易程度不同。如果GG是高斯混合模型(GMM)那么很好计算,但是通常数据的分布不是GMM那么简单,需要更复杂的GG。通常,GG是神经网络。这样的话,PG(x;θ)P_{G}(x;\theta)的计算便很困难,如下:
PG(x;θ)=∫Pprior(z)I[G(z)=x]dz
P_{G}(x;\theta) = \int P_{prior} (z) I_{[G(z)=x]} dz
这样来看,传统的最大似然是走不通呢,有没有别的出路呢?
考虑最大似然法真正解决的问题。最大似然就是提供了某种手段,去衡量两个分布Pdata(x)P_{data}(x)和PG(x;θ)P_{G}(x;\theta)的相近程度。此路不通另寻他路即可。因此便引出了下文的V(G,D)V(G,D)。
V(G,D)V(G,D)是衡量两个分布Pdata(x)P_{data}(x)和PG(x;θ)P_{G}(x;\theta)相近程度的一种手段,其不同于最大似然,是通过一个额外的discriminator识别的好坏做评估的。其核心是:discriminator判别数据是真的数据(1)还是采样的数据(0)。如果两个分布很接近,那么discriminator分辨不清,效果比较差;如果两个分布很远,那么discriminator分辨清,效果比较好。
V(G,D)=Ex∼Pdata[logD(x)]+Ex∼PG[log(1−D(x))]
V(G,D) = E_{x \sim P_{data}} [\log D(x)] + E_{x \sim P_{G}} [\log (1-D(x))]
整个训练策略,是先固定GG选择D∗D^*去最大化V(G,D)V(G,D) ;然后固定D∗D^*选择GG去最大化V(G,D∗)V(G,D^*)。
G∗=argminGmaxDV(G,D)
G^* = \arg \min_{G} \max_{D} V(G,D)
这部分解决的是:对于特定的G,如何训练得到更好的D。
D∗=maxDV(G,D)
D^* = \max_{D} V(G,D)
首先,对V(G,D)V(G,D)做进一步分解:
V(G,D)=Ex∼Pdata[logD(x)]+Ex∼PG[log(1−D(x))]=∫PdatalogD(x)dx+∫PGlog(1−D(x))dx=∫[Pdata(x)logD(x)+PG(x)log(1−D(x))]dx
\begin{split} V(G,D) &= E_{x \sim P_{data}} [\log D(x)] + E_{x \sim P_{G}} [\log (1-D(x))] \\ &= \int P_{data} \log D(x) dx + \int P_{G} \log (1-D(x)) dx \\ &= \int [P_{data}(x) \log D(x) + P_{G}(x) \log (1-D(x)) ]dx \end{split}
所以有:
D∗=argmaxDPdata(x)logD(x)+PG(x)log(1−D(x))
D^* = \arg \max_{D} P_{data}(x) \log D(x) + P_{G}(x) \log (1-D(x))
对上述式子求导得到:
D∗(x)=Pdata(x)Pdata(x)+PG(x)
D^*(x) = \frac{P_{data}(x) }{P_{data}(x) + P_{G}(x)}
每个D∗(x)D^*(x)对应的V(G,D∗)V(G,D^*)实际上衡量了特定GG下面两个分布Pdata(x)P_{data}(x)和$P_{G}差距。
将D∗(x)D^*(x)代入V(G,D∗)V(G,D^*),有:
所以:固定G优化D的过程,相当于计算两个分布的距离:
maxDV(G,D)=−2log2+2JSD(Pdata(x)||PG(x))
\max_{D} V(G,D) = -2\log 2 + 2JSD(P_{data}(x) || P_{G}(x) )
得到两个分布的距离之后,便转化成最小化两个分布的距离的问题, 也就是:
G∗=argminGmaxDV(G,D)
G^* = \arg \min_{G} \max_{D} V(G,D)
固定G优化D得到D∗D^*便得到了两个分布的距离V(G,D∗)V(G,D^*),固定D∗D^*优化G,采用梯度下降即可。
优化G之后,原来的D对应的就不一定是maxV(G,D)\max V(G,D)最大的GG了,这样与我们的假设不同。 解决办法是:就像梯度更新的时候迈的步子不能太大;更新G的时候迈的步子也不要太大。
实际训练G的时候,目标函数需要做一些修改,修改的原因是:在刚开始训练的时候,DD能够很好的区分真实数据与模拟数据,这样P(G)P(G)中D(x)D(x)的值比较小。如果采用原来的目标函数,比较小的D(x)D(x)对应目标函数的斜率比较低,不容易学习。通过改变目标函数,使比较小的D(x)D(x)对应目标函数的斜率比较高,加快了学习速率,使模型更容易学习。
理论上,可以用D去评估分布差异(G的好坏),D越好表明G越差,D越差表明G越好。但是实际中,这样评价的效果不好,不论G的好坏,D都比较好。
可能的原因之一:D太强大了。直观的解决办法是让D变弱一些,但是这样得到的D可否真正的计算JS divergence是个问题。
可能的原因之二:数据的本质是高维空间的manifold,很少有重叠。没有重叠的话,js距离永远都是最大值,不容易学习更新。
通常的解决办法是:给D的输入增加人为的噪声,这样真实数据与人造数据就会有重叠,D不能很好地区分真实数据与人造数据。同时要注意噪声要随时间减少。
mode collapse值的是GAN只学到了数据多个形态中的某一种。
可能的原因是优化式使GAN趋向如此: