-
Gan
(生成式對抗網絡)
鎖定
- 中文名
- 生成式對抗網絡
- 外文名
- Generative Adversarial Networks
- 簡 稱
- GAN
- 領 域
- 機器學習 / 深度學習
- 提出時間
- 2014年 [1]
Gan發展歷史
Ian J. Goodfellow等人於2014年10月在Generative Adversarial Networks中提出了一個通過對抗過程估計生成模型的新框架。框架中同時訓練兩個模型:捕獲數據分佈的生成模型G,和估計樣本來自訓練數據的概率的判別模型D。G的訓練程序是將D錯誤的概率最大化。這個框架對應一個最大值集下限的雙方對抗遊戲。可以證明在任意函數G和D的空間中,存在唯一的解決方案,使得G重現訓練數據分佈,而D=0.5。在G和D由多層感知器定義的情況下,整個系統可以用反向傳播進行訓練。在訓練或生成樣本期間,不需要任何馬爾可夫鏈或展開的近似推理網絡。實驗通過對生成的樣品的定性和定量評估證明了本框架的潛力
[1]
。
Gan方法
機器學習的模型可大體分為兩類,生成模型(Generative Model)和判別模型(Discriminative Model)。判別模型需要輸入變量 ,通過某種模型來預測 。生成模型是給定某種隱含信息,來隨機產生觀測數據。舉個簡單的例子:
- 判別模型:給定一張圖,判斷這張圖裏的動物是貓還是狗
- 生成模型:給一系列貓的圖片,生成一張新的貓咪(不在數據集裏)
對於判別模型,損失函數是容易定義的,因為輸出的目標相對簡單。但對於生成模型,損失函數的定義就不是那麼容易。我們對於生成結果的期望,往往是一個曖昧不清,難以數學公理化定義的範式。所以不妨把生成模型的回饋部分,交給判別模型處理。這就是Goodfellow他將機器學習中的兩大類模型,Generative和Discrimitive給緊密地聯合在了一起
[2]
。
GAN的基本原理其實非常簡單,這裏以生成圖片為例進行説明。假設我們有兩個網絡,G(Generator)和D(Discriminator)。正如它的名字所暗示的那樣,它們的功能分別是:
- G是一個生成圖片的網絡,它接收一個隨機的噪聲z,通過這個噪聲生成圖片,記做G(z)。
- D是一個判別網絡,判別一張圖片是不是“真實的”。它的輸入參數是x,x代表一張圖片,輸出D(x)代表x為真實圖片的概率,如果為1,就代表100%是真實的圖片,而輸出為0,就代表不可能是真實的圖片。
在訓練過程中,生成網絡G的目標就是儘量生成真實的圖片去欺騙判別網絡D。而D的目標就是儘量把G生成的圖片和真實的圖片分別開來。這樣,G和D構成了一個動態的“博弈過程”。
最後博弈的結果是什麼?在最理想的狀態下,G可以生成足以“以假亂真”的圖片G(z)。對於D來説,它難以判定G生成的圖片究竟是不是真實的,因此D(G(z)) = 0.5。
公式中x表示真實圖片,z表示輸入G網絡的噪聲,G(z)表示G網絡生成的圖片,D(·)表示D網絡判斷圖片是否真實的概率。
Gan應用
Gan圖像生成
Gan數據增強
用GAN生成的圖像來做數據增強,如圖。主要解決的問題是
- 對於小數據集,數據量不足, 如果能生成一些就好了。
- 如果GAN生成了圖片?怎麼給這些數據label呢?因為他們相比原始數據也不屬於預定義的類別。
- GAN 生成數據是可以用在實際的圖像問題上的(不僅僅是像mnist 這種toy dataset上work)作者在兩個行人重識別數據集 和 一個細粒度識別 鳥識別數據集上都有提升。
- GAN 數據有三種給pseudo label的方式, 假設我們做五分類
- 把生成的數據都當成新的一類, 六分類,那麼生成圖像的 label 就可以是 (0, 0, 0, 0, 0, 1) 這樣給。
- 按照置信度最高的 動態去分配,那個概率高就給誰 比如第三類概率高(0, 0, 1, 0, 0)
- 既然所有類都不是,那麼可以參考inceptionv3,搞label smooth,每一類置信度相同(0.2, 0.2, 0.2, 0.2, 0.2) 注:作者16年12月寫的代碼,當時GAN效果沒有那麼好,用這個效果好也是可能的, 因為生成樣本都不是很“真”,所以起到了正則作用。
- 參考資料
-
- 1. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza..Generative Adversarial Networks:Cornell University Library,2014
- 2. GAN 的發展對於研究通用人工智能有什麼意義? .知乎.2017-4-16[引用日期2017-10-27]
- 3. GAN學習指南:從原理入門到製作生成Demo .知乎[引用日期2017-10-27]
- 4. Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro .arXiv[引用日期2018-01-06]