前往小程序,Get更优阅读体验!
立即前往
发布
社区首页 >专栏 >AIGC入门之生成对抗网络

AIGC入门之生成对抗网络

作者头像
Srlua
发布2024-12-28 10:38:25
发布2024-12-28 10:38:25
10600
代码可运行
举报
文章被收录于专栏:CSDN社区搬运CSDN社区搬运
运行总次数:0
代码可运行

1. GAN

原始论文:https://arxiv.org/abs/1406.2661 放一张GAN的结构,如下:我们有两个网络,生成网络G和判别网络D。生成网络接收一个(符合简单分布如高斯分布或者均匀分布的)随机噪声输入,通过这个噪声输出图片,记做G(z)。判别网络的输入是x,x代表一张图片,输出D(x)代表x为真实图片的概率。最终的目的式能够生成一个以假乱真的图片,使D无法判别真假,D存在的意义是不断去督促G生成的质量

先拿出论文中的优化公式,后面在详解由来。

minGmaxDV(G,D)=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]Gmin​Dmax​V(G,D)=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]

这里pdata(x)pdata​(x) 表示真实数据的分布,z是生成器G输入的噪声, pz(z)pz​(z)是噪声的分布,乍一看这个公式是不是很难理解。没关系,接下来,我们慢慢分析由来。

2 GAN的优化函数

2.1 判别器D

我们先看判别器D,作用是能够对真实数据x∼ pdata(x)x∼ pdata​(x)其能够准确分辨是真,对生成的假数据G(z)能够分辨是假,那么实际上这就是一个二分类的逻辑回归问题,还记得交叉熵吗?没错这也等价于交叉熵,只不过交叉熵是负对数,优化最小交叉熵必然等价于优化以下最大值:

maxDV(G,D)=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]Dmax​V(G,D)=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]

看过我前面写的熵的问题,公式由来很容易懂。我们现在单独从公式来看,这个函数要想取得最大值,必然当真实数据来的时候D(x)=1,当假数据G(z)来的时候D(x)=0。这也满足我们的初衷:能够分辨真假。实际上是一个二分类。 这一步目标是优化D,G是固定的不做优化,G为上一次迭代优化后的结果,因此可简写成:

DG∗=maxDV(G,D)DG∗​=Dmax​V(G,D)

2.2 生成器G

在来看看生成器,对于生成器来说,我不想判别器D能够识别我是真假,我希望判别器识别不出来最好,理想极端情况下:D(x)=0,D(G(z))=1,也就是真的识别成假,假的识别成真。反应在优化函数上就是,是不是很好理解了

minG=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]Gmin​=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]

当理想情况下D(x)=0,D(G(z))=1,必然是最小值优化。 同样这一步优化是优化G,D不做优化,D为上一次迭代优化后的结果,因此可简写成:

GD∗=minGV(G,D)GD∗​=Gmin​V(G,D)

2.3 互相博弈

作者习惯上把分开的两个优化写道一起,就变成了我们最初看到的论文中的公式:

minGmaxDV(G,D)=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]Gmin​Dmax​V(G,D)=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]

但是实际上,D和G在迭代过程中是分开优化的。 上面说了,我生成器又要能够准确判断真假,又要不能够判断,作为判别器他说他好难啊,怎么办呢,干脆判别器最终输出0.5,这也是理想优化结果,谁也不偏向。这也是整个GAN优化的终极目的。

3 训练过程

对于判别器D优化,因为这是个二分类,ylogq + (1-y)log(1-q):对于x,标签只会为1,因此只有log(D(x))这一项;对于g(z),其标签只会为0,因此只有log(1-D(G(z)))这一项,在损失函数上,

loss=crossEntryLoss(D(x),1) + crossEntryLoss(D(G(z)),0)

对于生成器G优化:因为D(x)这一项,并不包含生成器的优化参数,因此在求梯度的时候D(x)这一项为0,因此只有log(1-D(G(z)))这一项,损失函数:

loss=crossEntryLoss(D(G(z)),1)

4 在看优化

4.1 D的最优解

还记得完美的优化结果是D=0.5吗?这到底是怎么来的呢。我们先看一下对于D的优化,去求D的最优解

maxDV(G,D)=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]Dmax​V(G,D)=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]

写成积分形式:不知道怎么来的可以补一下概率论均值的计算。

maxDV(G,D)=∫xpdata(x)logD(x)dx+∫xpz(z)log(1−D(g(z)))dzDmax​V(G,D)=∫x​pdata​(x)logD(x)dx+∫x​pz​(z)log(1−D(g(z)))dz

我们考虑在优化D的时候G是不变的,并且假设,通过G生成的g(z)满足的分布为pgpg​,因此上式子可写为:

maxDV(G,D)=∫xpdata(x)logD(x)+pg(x)log(1−D(x)dxDmax​V(G,D)=∫x​pdata​(x)logD(x)+pg​(x)log(1−D(x)dx

上式什么时候取得最大结果呢,alog(y)+blog(1−y)alog(y)+blog(1−y)在[0,1]上最大值是y=a/(a+b),因此上式最大值是

DG∗(x)=pdata(x)pdata(x)+pg(x)DG∗​(x)=pdata​(x)+pg​(x)pdata​(x)​

以上我们得到D的最优解,但是别忘了,我们目标是G能够生成的分布pg能和pdata一致,让D真假难辨,那么此时pg = pdata,D=0.5,判别器已经模棱两可了。然而这一结果只是我们的猜测。

4.2 G的最优解

作者也是先说了pg=pdata是G的最优解,后面才证明的。让我们跟着作者思路证明一下。 D的最优解已经得到了,带入求解G最优的公式,这里作者起了个C(G)的名称,按照他的思路来,已然求C(G)的最小值

C(G)=Ex∼pdata(x)[logDG∗(x)]+Ez∼pz(z)[log(1−DG∗(G(z)))]=Ex∼pdata(x)[logDG∗(x)]+Ex∼pg[log(1−DG∗(x))]=Ex∼pdata(x)[logpdata(x)pdata(x)+pg(x)]+Ex∼pg[log(pg(x)pdata(x)+pg(x))]=∫xpdata(x)logpdata(x)pdata(x)+pg(x)+pg(x)logpg(x)pdata(x)+pg(x)dx=∫x(log2−log2)pdata(x)+(log2−log2)pg(x)+pdata(x)logpdata(x)pdata(x)+pg(x)+pg(x)logpg(x)pdata(x)+pg(x)dx=−log2∫x[pdata(x)+pg(x)]dx+∫xpdata(x)(log2+logpdata(x)pdata(x)+pg(x))+pg(x)(log2+logpg(x)pdata(x)+pg(x))dxC(G)=Ex∼pdata​(x)​[logDG∗​(x)]+Ez∼pz​(z)​[log(1−DG∗​(G(z)))]=Ex∼pdata​(x)​[logDG∗​(x)]+Ex∼pg​​[log(1−DG∗​(x))]=Ex∼pdata​(x)​[logpdata​(x)+pg​(x)pdata​(x)​]+Ex∼pg​​[log(pdata​(x)+pg​(x)pg​(x)​)]=∫x​pdata​(x)logpdata​(x)+pg​(x)pdata​(x)​+pg​(x)logpdata​(x)+pg​(x)pg​(x)​dx=∫x​(log2−log2)pdata​(x)+(log2−log2)pg​(x)+pdata​(x)logpdata​(x)+pg​(x)pdata​(x)​+pg​(x)logpdata​(x)+pg​(x)pg​(x)​dx=−log2∫x​[pdata​(x)+pg​(x)]dx+∫x​pdata​(x)(log2+logpdata​(x)+pg​(x)pdata​(x)​)+pg​(x)(log2+logpdata​(x)+pg​(x)pg​(x)​)dx

由于对概率积分结果为1,上式继续化简为:

C(G)=−2log2+∫xpdata(x)logpdata(x)[pdata(x)+pg(x)]/2+∫xpg(x)logpg(x)[pdata(x)+pg(x)]/2C(G)=−2log2+∫x​pdata​(x)log[pdata​(x)+pg​(x)]/2pdata​(x)​+∫x​pg​(x)log[pdata​(x)+pg​(x)]/2pg​(x)​

看过熵的应该知道后两项其实式散度的形式,写为散度的形式,

C(G)=−log4+KL(pdata(x)∣∣pdata(x)+pg(x)2)+KL(pg(x)∣∣pdata(x)+pg(x)2)C(G)=−log4+KL(pdata​(x)∣∣2pdata​(x)+pg​(x)​)+KL(pg​(x)∣∣2pdata​(x)+pg​(x)​)

在我写熵的那篇文章里已经详细介绍和推导过,KL(P||Q)散度取最小值0的时候P=Q,因此上式最小值的情况是: pdata(x)=pdata(x)+pg(x)2pdata​(x)=2pdata​(x)+pg​(x)​ 和pg(x)=pdata(x)+pg(x)2pg​(x)=2pdata​(x)+pg​(x)​。这两个当且仅当pg(x)=pdata(x)pg​(x)=pdata​(x)时满足。 又因为JSD散度和KL散度有如下关系:

JSD(P∣∣Q)=12KL(P∣∣M)+12KL(Q∣∣M),M=12(P+Q)JSD(P∣∣Q)=21​KL(P∣∣M)+21​KL(Q∣∣M),M=21​(P+Q)

因此继续简化:

C(G)=−log4+2JSD(pdata∣∣pg)C(G)=−log4+2JSD(pdata​∣∣pg​)

由于JSD的散度取值为(0,log2),当为0的时候pg=pdatapg​=pdata​,同样也证明了G最优解的情况是pg=pdatapg​=pdata​。至此也完成论文中的证明,不得不说GAN中的理论真的很强,这些理论对后面各种生成模型用处非常大。虽然GAN是历史的产物,但是他带来的价值却很高,如果想做AIGC,GAN必学习。

5. 主要代码结构

5.1 模型结构(以DCGAN为例)

代码语言:javascript
代码运行次数:0
复制
"""  
Discriminator and Generator implementation from DCGAN paper  
"""  
  
import torch  
import torch.nn as nn  
from torchinfo import summary  
  
  
class Discriminator(nn.Module):  
    def __init__(self, channels_img, features_d):  
        super().__init__()  
        self.disc = nn.Sequential(  
            self._block(channels_img, features_d, kernel_size=4, stride=2, padding=1),  
            self._block(features_d, features_d * 2, 4, 2, 1),  
            self._block(features_d * 2, features_d * 4, 4, 2, 1),  
            self._block(features_d * 4, features_d * 8, 4, 2, 1),  
            nn.Conv2d(features_d * 8, 1, kernel_size=4, stride=2, padding=0),  
            nn.Sigmoid(),  
        )  
  
    def _block(self, in_channels, out_channels, kernel_size, stride, padding):  
        return nn.Sequential(  
            nn.Conv2d(  
                in_channels,  
                out_channels,  
                kernel_size,  
                stride,  
                padding,  
                bias=False  
            ),  
            nn.LeakyReLU(0.2),  
        )  
  
    def forward(self, x):  
        return self.disc(x)  
  
  
class Generator(nn.Module):  
    def __init__(self, channels_noise, channels_img, features_g):  
        super().__init__()  
        self.gen = nn.Sequential(  
            self._block(channels_noise, features_g * 16, 4, 1, 0),  
            self._block(features_g * 16, features_g * 8, 4, 2, 1),  
            self._block(features_g * 8, features_g * 4, 4, 2, 1),  
            self._block(features_g * 4, features_g * 2, 4, 2, 1),  
            nn.ConvTranspose2d(features_g * 2, channels_img, 4, 2, 1),  
            nn.Tanh(),  
        )  
  
    def _block(self, in_channels, out_channels, kernel_size, stride, padding):  
        return nn.Sequential(  
            nn.ConvTranspose2d(  
                in_channels,  
                out_channels,  
                kernel_size,  
                stride,  
                padding,  
                bias=False,  
            ),  
            nn.ReLU(),  
        )  
  
    def forward(self, x):  
        return self.gen(x)  
  
  
def initialize_weights(model):  
    ## initilialize weight according to paper  
    for m in model.modules():  
        if isinstance(m, (nn.Conv2d, nn.ConvTranspose2d,)):  
            nn.init.normal_(m.weight.data, 0.0, 0.02)  
  
  
def test():  
    N, in_channels, H, W = 8, 1, 64, 64  
    noise_dim = 100  
    x = torch.randn(N, in_channels, H, W)  
    disc = Discriminator(in_channels, 8)  
    initialize_weights(disc)  
    assert disc(x).shape == (N, 1, 1, 1), "Discriminator test failed"  
    gen = Generator(noise_dim, in_channels, 8)  
    initialize_weights(gen)  
    z = torch.randn(N, noise_dim, 1, 1)  
    assert gen(z).shape == (N, in_channels, H, W), "Generator test failed"  
  
  
if __name__ == "__main__":  
    gnet = Generator(100, 1, 64)  
    dnet = Discriminator(1, 64)  
  
    summary(gnet, input_data=[torch.randn(10, 100, 1, 1)])  
    summary(dnet, input_data=[torch.randn(10, 1, 64, 64)])

5.2 训练代码(以DCGAN为例)

训练数据集拿MNIST 为例。

代码语言:javascript
代码运行次数:0
复制
import torch  
import torch.nn as nn  
import torch.optim as optim  
from torchvision.datasets import MNIST  
from torch.utils.data import DataLoader  
from dcgan import Generator, Discriminator, initialize_weights  
import torchvision.transforms as transforms  
import torchvision  
import cv2  
import numpy as np  
  
device = "cuda" if torch.cuda.is_available() else "cpu"  
LEARNING_RATE = 1e-4  
BATCH_SIZE = 128  
IMAGE_SIZE = 64  
NUM_EPOCHS = 5  
CHANNELS_IMG = 1  
NOISE_DIM = 100  
FEATURES_DISC = 64  
FEATURES_GEN = 64  
  
transforms = transforms.Compose(  
    [  
        transforms.Resize(IMAGE_SIZE),  
  
        transforms.ToTensor(),  
        transforms.Normalize(  
            [0.5 for _ in range(CHANNELS_IMG)], [0.5 for _ in range(CHANNELS_IMG)]  
        ),  
    ]  
)  
  
  
def train(NUM_EPOCHS):  
  
    # 数据load  
    dataset = MNIST(root='./data', train=True, download=True, transform=transforms)  
    dataloader = DataLoader(dataset, batch_size=BATCH_SIZE, shuffle=True)  
  
    gen = Generator(NOISE_DIM, CHANNELS_IMG, FEATURES_GEN).to(device)  
    disc = Discriminator(CHANNELS_IMG, FEATURES_DISC).to(device)  
    initialize_weights(gen)  
    initialize_weights(disc)  
  
    opt_gen = optim.Adam(gen.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))  
    opt_disc = optim.Adam(disc.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))  
    criterion = nn.BCELoss()  
  
    fixed_noise = torch.randn(32, NOISE_DIM, 1, 1).to(device)  
  
    gen.train()  
    disc.train()  
  
    for epoch in range(NUM_EPOCHS):  
        # 不需要目标的标签,无监督  
        for batch_id, (real, _) in enumerate(dataloader):  
            real = real.to(device)  
            noise = torch.randn(BATCH_SIZE, NOISE_DIM, 1, 1).to(device)  
            fake = gen(noise)  
  
            # Train Discriminator: max log(D(x)) + log(1 - D(G(z)))  
            disc_real = disc(real).reshape(-1)  
            loss_real = criterion(disc_real, torch.ones_like(disc_real))  
  
            # 训练判别器,生成器输出的值从计算图剥离出来  
            disc_fake = disc(fake.detach()).reshape(-1)  
            loss_fake = criterion(disc_fake, torch.zeros_like(disc_fake))  
  
            loss_disc = (loss_real + loss_fake) / 2  
  
            disc.zero_grad()  
            loss_disc.backward()  
            opt_disc.step()  
  
            # Train Generator: min log(1 - D(G(z))) <-> max log(D(G(z)),  
            output = disc(fake).reshape(-1)  
            loss_gen = criterion(output, torch.ones_like(output))  
  
            gen.zero_grad()  
            loss_gen.backward()  
            opt_gen.step()  
  
            if batch_id % 20 == 0:  
                print(  
                    f'Epoch [{epoch}/{NUM_EPOCHS}] Batch {batch_id}/{len(dataloader)} Loss D: {loss_disc.item()}, loss G: {loss_gen.item()}')  
  
                # 推理生成结果  
                with torch.no_grad():  
                    fake = gen(fixed_noise)  
                    img_grid_real = torchvision.utils.make_grid(real[:32], normalize=True)  
                    img_grid_fake = torchvision.utils.make_grid(fake[:32], normalize=True)  
  
                    img_grid_combined = torch.cat((img_grid_real, img_grid_fake), dim=2)  
                    img_grid_combined = img_grid_combined.permute(1, 2, 0).cpu().detach().numpy()  
                    img_grid_combined = (img_grid_combined * 255).astype(np.uint8)  
                    # 使用 cv2 显示图片  
                    cv2.imshow('Combined Image', img_grid_combined)  
                    cv2.waitKey(1)  
                    cv2.imwrite(f"ckpt/tmp_dc.jpg", img_grid_combined)  
  
                # 防止生成器崩溃,重新初始话模型  
                if loss_gen.item() > 5:  
                    gen = Generator(NOISE_DIM, CHANNELS_IMG, FEATURES_GEN).to(device)  
                    disc = Discriminator(CHANNELS_IMG, FEATURES_DISC).to(device)  
                    initialize_weights(gen)  
                    initialize_weights(disc)  
                    opt_gen = optim.Adam(gen.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))  
                    opt_disc = optim.Adam(disc.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))  
  
        if (epoch + 1) % 10 == 0:  
            torch.save(gen.state_dict(), f"ckpt/dc_gen_weights.pth")  
            torch.save(disc.state_dict(), f"ckpt/dc_disc_weights.pth")  
  
  
if __name__ == "__main__":  
    train(100)

5.3 生成结果

左边为训练的样本,右边为随机生成的手写数字。

​​

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-12-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. GAN
  • 2 GAN的优化函数
    • 2.1 判别器D
    • 2.2 生成器G
    • 2.3 互相博弈
  • 3 训练过程
  • 4 在看优化
    • 4.1 D的最优解
    • 4.2 G的最优解
  • 5. 主要代码结构
    • 5.1 模型结构(以DCGAN为例)
    • 5.2 训练代码(以DCGAN为例)
    • 5.3 生成结果
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档