GAN(二)——GAN进阶
source link: http://antkillerfarm.github.io/gan%20&%20vae/2019/03/21/GAN_2.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
概况(续)
1.Real Samples可看作满足分布Z的采样集。
2.GAN的目标是学习分布Z。因此,虽然GAN和RL都是无监督学习,但前者需要Real Samples,而后者可能只需要一个规则,例如AlphaZero。换句话说,GAN的监督信号隐藏在样本中,而不是标签或者规则中。
3.使用G网络将noise变成fake_data。
4.用fake_data和Real Samples共同训练D网络,分别可得到Lfake和Lreal。使用公式3计算总Loss:L。
5.固定D网络参数,使用公式4训练网络D(G)中G的参数。
Lipschitz约束
继续思考一下,我们会发现问题还没完。我们目前还没有对D做约束,不难发现,无约束的话Loss基本上会直接跑到负无穷去了~
最简单的方案就是采用Lipschitz约束:
‖D(y,θ)−D(y′,θ)‖≤C‖y−y′‖
也可写作:
‖∂D(y,Θ)∂y‖≤C
KL散度和JS散度由于不是距离,数学特性并不够好。
如上图所示,从左到右,PG和Pdata的分布是越来越接近,然而前两个的JS散度居然是一样的。
究其原因在于:
1.对于两个没有交集的分布,它们的JS散度为log2。然而没有交集,并不意味着在空间中距离遥远。
2.采样总是有限的,即便是有交集的分布,其采样也未必有交集。
显然,在这种情况下,JS散度是没有区分度的,梯度也就不存在了。
因此,Martín Arjovsky于2017年1月,提出了Wasserstein GAN。
其中的一项改进就是使用Wasserstein距离替代KL散度和JS散度。Wasserstein距离的定义参看《机器学习(二十七)》。
WGAN极大程度的改善了GAN训练困难的问题,成为当前GAN研究的主流。
《Wasserstein GAN》
此外,还有使用最小二乘代替JS散度的GAN——LSGAN。
https://zhuanlan.zhihu.com/p/25071913
令人拍案叫绝的Wasserstein GAN
https://zhuanlan.zhihu.com/p/25204020
条条大路通罗马LS-GAN:把GAN建立在Lipschitz密度上
https://mp.weixin.qq.com/s/UO0pNLcwYN5tE5x_4azVJA
LSGAN:最小二乘生成对抗网络
https://zhuanlan.zhihu.com/p/65002974
《Towards Principled Methods for Training GAN》阅读笔记
https://mp.weixin.qq.com/s/cBj6n8BlqLjt8M8N4Tc5qQ
详解对偶与WGAN
1.GAN的目的是在高维非凸的参数空间中找到纳什均衡点(Nash equilibrium),GAN的纳什均衡点是一个鞍点。而SGD只会找到局部极小值,所以GAN中的优化器不常用SGD。
纳什均衡的相关概念参见《强化学习(十)》。
https://mp.weixin.qq.com/s/xa3F3kCprE6DEQclas4umg
GAN的数学原理
http://www.jianshu.com/p/e2d2d7cbbe49
50行代码实现GAN
https://mp.weixin.qq.com/s/pgWysIGObceGVrxs85kyew
白话生成对抗网络GAN,50行代码玩转GAN模型!
https://mp.weixin.qq.com/s/YnOF9CCUFvtaiTY8HXYOuw
深入浅出:GAN原理与应用入门介绍
http://blog.csdn.net/u011534057/article/category/6396518
GAN系列blog
https://mp.weixin.qq.com/s/4CypEZscTfmUzOk-p_rZog
生成对抗网络初学入门:一文读懂GAN的基本原理
http://mp.weixin.qq.com/s/bzwG0QxnP2drqS4RwcZlBg
微软详解:到底什么是生成式对抗网络GAN?
https://mp.weixin.qq.com/s/TIgRVbnZYtrGUCDNLcL1uw
GAN的入门与实践
https://mp.weixin.qq.com/s/er-VG1P8iNIcQew2gXZqGw
一文读懂生成对抗网络
https://mp.weixin.qq.com/s/BNWPTPl_vowAlQUQ7__wvQ
有三说GANs
https://zhuanlan.zhihu.com/p/24897387
GAN的基本原理、应用和走向
https://mp.weixin.qq.com/s/YUMIL-f019vKpQ84mKS-8g
这篇TensorFlow实例教程文章告诉你GANs为何引爆机器学习?
https://zhuanlan.zhihu.com/p/27012520
从头开始GAN
https://mp.weixin.qq.com/s/uyn41vKKoptXPZXBP2vVDQ
生成对抗网络(GAN)之MNIST数据生成
http://mp.weixin.qq.com/s/21CN4hAA6p7ZjWsO1sT2rA
一文看懂生成式对抗网络GANs:介绍指南及前景展望
https://mp.weixin.qq.com/s/Lll9e5bCVwxdD0-Q2wamKg
一文详解生成对抗网络(GAN)的原理
https://mp.weixin.qq.com/s/Qso0pv0NjtNrYhZR-sV2xg
通俗了解对抗生成网络(GAN)核心思想
https://mp.weixin.qq.com/s/YLys6L9WT7eCC-xGr1j0Iw
带多分类判别器的GAN模型
https://mp.weixin.qq.com/s/lqQeCpLQVqSdJPWx0oxs2g
例解生成对抗网络
https://mp.weixin.qq.com/s/LAS0KgPiVekGdQXbqlw1cQ
深度学习的三大生成模型:VAE、GAN、GAN的变种
https://mp.weixin.qq.com/s/mPtv1fQd0NBgdY2b_ALNTQ
机器之心GitHub项目:GAN完整理论推导与实现,Perfect!
https://mp.weixin.qq.com/s/uUSq3irEIcBM35JCYGDPfw
生成对抗网络综述:从架构到训练技巧,看这篇论文就够了
https://mp.weixin.qq.com/s/d_W0O7LNqlBuZV87Ou9uqw
训练GAN的16个技巧
https://mp.weixin.qq.com/s/uJlgx9Bq-XI49l8wwmdIsw
用GAN让晴天下大雨,小猫变狮子,黑夜转白天
https://mp.weixin.qq.com/s/hjsFBVE3_IiKTZSesa44ug
GAN系列学习(1)——前生今世
https://mp.weixin.qq.com/s/JRyQ5vp_zDwcG3X15e32Gw
GAN系列学习(2)——前生今世
https://mp.weixin.qq.com/s/FL63vEAhp8mElI5RFxnbSQ
GAN开山之作及最新综述
https://mp.weixin.qq.com/s/A66WeHH77IOCv61RHiDE0w
生成式对抗网络(GAN)如何快速理解?这里有一篇最直观的解读
https://mp.weixin.qq.com/s/wW8kTQ7eQeCJsHC9ju8VLA
GAN_keras版
GAN进阶
Structured Learning
机器学习模型所预测的对象,不仅有值(例如线性回归模型),或者类别(例如逻辑回归模型),也可以是一个复杂的结构,例如Sequence、List、Tree、Image、Bounding Box等。
输出结果是复杂结构的ML,通常被称作Structured Learning。
Structured Learning有以下特点:
1.在分类任务中,每一个类别都有一定的样例Sample,但是在结构化预测中,如果把每一个output(例如一个sequence)当做一个类别来看的话,输出空间就非常大了,因为测试数据的输出很有可能都是训练数据没有见过的(毕竟完全相同的sequence会比较少)。
2.模型需要有planning的能力,以组合各种有依赖的component,从而达到全局最优。
https://www.cnblogs.com/bluemapleman/p/9277175.html
结构化学习(Structured Learning)
传统GAN的局限
1.没有用户控制(user control)能力。
在传统的GAN里,输入一个随机噪声,就会输出一幅随机图像。
但用户是有想法的,我们想输出的图像是我们想要的那种图像,和我们的输入是对应的、有关联的。比如输入一只喵的草图,输出同一形态的喵的真实图片。
2.低分辨率(Low resolution)和低质量(Low quality)问题。
GAN的发展
最早的GAN出现在2014年6月,但直到2015年底,也只有5个变种,发展并不迅速。
2016年,GAN开始发力,年底时已有52个变种。2017年6月底,更达到142个变种。
https://github.com/hindupuravinash/the-gan-zoo
GAN的各种变种
GAN的变种(或者说改进)主要分为两大类:
1.修改Loss。这一类的典型就是前述的WGAN。Sebastian Nowozin提出的f-GAN,对这一类改进进行了总结。
https://mp.weixin.qq.com/s/f93aCYrxlBFhRn0bgPDiTg
微软剑桥研究院153页最新GAN教程
Sebastian Nowozin,微软剑桥研究院首席研究员。
https://mp.weixin.qq.com/s/IYQij9JbOKKbH3IuRvM9SQ
一览IPM框架下的各种GAN
2.修改网络结构。
上图的源地址:
https://github.com/hwalsuklee/tensorflow-generative-model-collections
《Generating Reasonable and Diversified Story Ending Using Sequence to Sequence Model with Adversarial Training》,这篇论文提出的Seq2Seq+RL+GAN的组合模型,也算是让我开眼界了。
《The Six Fronts of the Generative Adversarial Networks》
这篇论文把GAN的改进分为了6个方向:
https://machinelearningmindset.com/generative-adversarial-networks-roadmap/
生成对抗网络GANs学习路线
https://zhuanlan.zhihu.com/p/58812258
GAN万字长文综述
https://mp.weixin.qq.com/s/SBYtetkfi-DboM5jFTXVIQ
生成式对抗网络GAN最新进展综述
https://mp.weixin.qq.com/s/gH6b5zgvWArOSfKBSIG1Ww
必读!生成对抗网络GAN论文TOP 10
https://zhuanlan.zhihu.com/p/34016536
历史最全GAN网络及其各种变体整理
https://mp.weixin.qq.com/s/rE_RYklz8G_Etg5Gstlhew
十款神奇的GAN,总有一个适合你!
https://mp.weixin.qq.com/s/N7YU-YeXiVX7gSB-mzYgnw
生成式对抗网络GAN的研究进展与展望
https://mp.weixin.qq.com/s/IjlIT-3FVY7IfYzNDtkkgg
谷歌大脑发布GAN全景图:看百家争鸣的生成对抗网络
https://mp.weixin.qq.com/s/Y4Ags-yupq__gQZmparhsg
COLING 2018⽤对抗增强的端到端模型⽣成合理且多样的故事结尾
https://mp.weixin.qq.com/s/df51nYaA-uz7vd4WbBuE8g
GAN货:生成对抗网络知识资料全集
https://mp.weixin.qq.com/s/QRmy8f88eJcdp1xCxCI8bg
历数GAN的5大基本结构
https://mp.weixin.qq.com/s/LHCEh4BPZ_qbSKaar19nNg
十种主流GANs,我该如何选择?
https://mp.weixin.qq.com/s/RAlQVWMBYeddG2Mvu2bF4w
生成对抗网络(GANs)最新家谱:为你揭秘GANs的前世今生
https://mp.weixin.qq.com/s/NPUJ89nddF1WHfFv2nn-Hg
GANs有嘻哈:一次学完10个GANs明星模型
http://www.gwylab.com/pdf/生成模型-生成对抗网络.pdf
这篇中文综述写的很好
https://mp.weixin.qq.com/s/trFM7dfBL23TykWCY9rRtw
别人家的高中生:入大学前,Ta详细梳理了GAN的发展脉络
https://mp.weixin.qq.com/s/ynZj6OCfHJ_0t8qlS9txXQ
能生成Deepfake也能诊断癌症,GAN与恶的距离
https://zhuanlan.zhihu.com/p/70033932
一文看懂GAN演进图谱
https://zhuanlan.zhihu.com/p/88862044
万字综述之生成对抗网络
https://mp.weixin.qq.com/s/oEnQPWs5WFak_qwajYKq3A
在图像生成领域里,GAN这一大家族是如何生根发芽的
https://mp.weixin.qq.com/s/X1DPEcNP1mFc1DGUdzh3eQ
生成式深度学习
https://zhuanlan.zhihu.com/p/96025520
9102年入门GAN的补习
https://mp.weixin.qq.com/s/iLAE_WR-rQrqd4dtYWB_gA
史上最全GAN综述2020版:算法、理论及应用
https://mp.weixin.qq.com/s/4CPfejPrAhJuYMgSj6aGsw
生成式对抗网络(GANs)最新2020综述,41页pdf阐述GAN训练、挑战、解决方案和未来方向
https://mp.weixin.qq.com/s/qtSyLcNOcIgORPvk6_juww
CV视觉中GAN的调研和分类
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK