W-GAN系 (Wasserstein GAN、 Improved WGAN)
习总结于国立台湾大学 :李宏毅老师
Wasserstein GAN 、 Improved Training of Wasserstein GANs
本文outline
一句话介绍WGAN: Using Earth Mover’s Distance to evaluate two distribution Earth Mover‘s Distance(EMD) = Wasserstein Distance
一. WGAN
1. Earth Mover’s Distance(EMD)
EMD: P和Q为两个分布:P分布为一堆土,Q分布为要移到的目标,那么要移动P达到Q,哪种距离更小呢?
这里有许多种可能的moving plans,利用最小平均距离的moving plans来定义EMD
那么以下是最好的moving plans:
来用矩阵直观解释移土方案:
图中每个像素点对应row需要移出多少土到对应column, 越亮表示移动越多。注意每一个row的值加起来为对应P行的分布, 每个column的值加起来为对应Q行的分布。所以可以有很多的moving plan来实现:
γ(xp,xq)表示从p移动多少土到q, || xp - xq ||表示pq之间的距离。上式就是给定一个plan时需要平均移动的距离。 那么EMD定义就是
穷举所有plan,EMD为最小的距离(最优的plan):
2. Why EMD
在更新过程中我们希望PG的分布和Pdata越来越相似:
但是Df(Pdata||PG): 因为从JS-divergence来看:无法从G0变到G100, 因为G50并没有比G0变小
用W(Pdata, PG)则不同,G0对应的距离就是d0, G50对应的距离就是G50:所以利用Wasserstein距离时,model就会有动机使得分布趋于真实分布。
3. 回到GAN框架
我们知道所有的f-divergence都可以写成以下形式:
1)
而Earth Mover’s Distance可以写成以下形式:
2)
即找一个D使得大括号里的值最大,而限制是D属于1-Lipschitz。
Lipschitz Function: 输出的变化小于等于输入的变化, k=1时为 1-Lipschitz ,即变化的不要太猛烈。
栗子:黑线为基准, 蓝线变化很猛烈不是1-Lipschitz, 而绿线变化缓和属于1-Lipschitz。
所以回到 2)式,如果没有对D的限制,当D(x1) 和D(x2)为正负无穷时可以最大化2)式,下图左。而现在对D有此限制,则D的取值如下图右:
D(x1) 和D(x2)差距一定要小于d。下图说明了利用EMD的好处是PG可以沿着梯度移动到蓝色Pdata,而原生GAN的判别器D为而二元分类器,输出为sigmoid函数。对于蓝色和橙色的分布,原生GAN可能为蓝线:对应Pdata的输出值为1,对应PG的输出值为0。所以蓝色曲线在蓝色和橙色分布的梯度为0,根本没有动力去挪动generator的输出来更新。而EMD在两个分布附近都有梯度,可以继续更新。
WGAN优点: WGAN will provide gradient to push PG towards Pdata
4. WGAN优化
那么怎么梯度更新呢?因为D有了限制,无法直接利用SGD。这里引入一种方法:Weight clipping
就是强制令权重w 限制在c ~ -c之间。在参数更新后,如果w>c,则令w=c, 如果w<-c,则令w=-c。我们这样做只为保证:
对权重的限制表示对NN的输入做一个变化,输出的变化总是有限的。实做上对于w进行限制:就可以限制了这条直线的斜率,否则D的输出为一条很斜的直线,且不断变直,给橙色的值越来越小,给蓝色的值越来越大,无法停止。
5. WGAN 算法
result:
原来的GAN是衡量JS-divergence,GAN是把JS-divergence train到底,所有case的结果几乎都是0,不管你generate的image好不好,JS-divergence都是个定值。那Discriminator就不是衡量JS-divergence,D的output就变得没有意义了。但是如果我们用WGAN的话,discriminator衡量的是EMD,而这个earth mover’s distance 衡量的就是两个分布真正的距离。所以看discriminator的loss可以真的表示出generate的图片的好坏。
二. Improved WGAN
A differentiable function is 1-Lipschitz if and only if it has gradients with norm less than or equal to 1 everywhere.
就是说如果一个函数是1-Lipschitz,那么它的gradients with morm <=1:
注意这里的gradient不是对参数,而是input对output的gradient,即x对D(x)的gradient。
注意此惩罚项penalty:如果梯度的norm>1就会惩罚,即,因不可能对所有x作积分,所以对sample的x求期望
那Ppenalty是什么呢,怎么从Ppenalty sample x呢?首先从Pdata sample一个点,再从PG sample一个点,然后在其连线中sample出x,即x是在Pdata 和 PG 之间的区域中sample:
Only give gradient constraint to the region between ??_???????? and ??_?? because they influence how ??_?? moves to ??_????????
仅仅对Pdata 和 PG 之间的区域的梯度进行限制,因为只有这个区域影响PG 移向Pdata 。
而进一步,Improved WGAN不是让gradient的norm小于1,而是越接近1越好: 因为希望Pdata的D(x)越大越好, PG的 D(x)越小越好,然而这个差距总是有限的,所以希望中间的蓝色区域的gradient越大越好,因为蓝色的坡度越陡,Pdata 和PG的差距越大,然而蓝色的gradient的最大值就只能取到1.
论文给出利用Weight clipping 和 Gradient penalty 学出来的discriminator有什么差距。
如果利用Weight clipping 得到的weight集中在clip的地方,而Gradient penalty得到的weight的distribution比较正常:
下图中黄色的点为true distribution,要learn一个discriminator使黄色的点值比较大,其他点值比较小。因为Weight clipping对weight进行了限制,所以很难学出复杂的discriminator, 而gradient penalty可以学到复杂的分布。
接下来是一些真实的实验结果:
上图主要表示不同的压力测试,Improved WGAN都有好的表现。
三. Paired Data
Conditional GAN: test to image 、 image to image
1)text to image by traditional supervised learning:
以上是传统监督方法,但这么做可能有问题,因为对于一个叙述可能有不同的image,用这个方法来训练,你的machine的output可能想同时minimize跟所有不同example之间的distance,那么可能产生的就是一个很模糊的图案:
然而用GAN方法的话,输入是c和一个distribution,那么输出x也是一个distribution:即输出可能落在蓝点的分布或绿点的分布,就不会落在红点的分布:
以下两种Discriminator左边可能产生清晰但图文无关的图,而右边则效果好很多:
2) image to image
先看用传统监督方法怎么做:Traditional supervised approach
首先搜集最右边的真实图像,然后生成最左边的几何图形,利用这种传统监督方法train来learn一个NN而不是一个GAN 的generator的话,测试时可能有以下结果:
模糊原因同上:同一个输入有许多不同的输出,machine找到的是所有输出的平均。来看看用GAN train的方法:
result: machine自己加了个小阁楼
如果再加一个限制,使得generate的图像与原图越接近越好,则得到更合理的图像:
result: 更接近原图
四. Unpaired Data
此时没有成对的图片,例如只有一大堆风景图片和一大堆梵高的油画(并没有对应关系说哪张风景画对应于哪张梵高的画),那怎么做呢?
对于这种不同Domain之间的转换,方法有:Cycle GAN, Disco GAN
Cycle GAN做法:先train一个generator,可以把Domain X转为Domain Y。
注意此时G输出会越来越像梵高的画,但可能是一张和输入完全无关的图,因为对它的要求只追求像梵高的画,上图右(原本应该产生风景油画却产生出了人物头像)。所以这里应该再加一个generator,它把梵高油画转为输入的原画(下图左):
上图右可以将训练好的两个generator用来真实画与梵高油画之间的转换。
W-GAN系 (Wasserstein GAN、 Improved WGAN)相关推荐
- 经典论文复现 | ICML 2017大热论文:Wasserstein GAN
过去几年发表于各大 AI 顶会论文提出的 400 多种算法中,公开算法代码的仅占 6%,其中三分之一的论文作者分享了测试数据,约 54% 的分享包含"伪代码".这是今年 AAAI ...
- 从传统GAN到improved WGAN
最近做了一个从传统GAN到improved WGAN的报告,把PPT贴上来吧,有需要的小伙伴可以参考一下.论文主要涉及到17年的三篇文章: Arjovsky M, Bottou L. Towards ...
- WGAN(Wasserstein GAN)看这一篇就够啦,WGAN论文解读
WGAN论文地址:[1701.07875] Wasserstein GAN (arxiv.org) WGAN解决的问题 原始GAN训练过程中经常遇到的问题: 模式崩溃,生成器生成非常窄的分布,仅覆盖数 ...
- 收敛速度更快更稳定的Wasserstein GAN(WGAN)
生成对抗网络(GANs)是一种很有力的生成模型,它解决生成建模问题的方式就像在两个对抗式网络中进行比赛:给出一些噪声源,生成器网络能够产生合成的数据,鉴别器网络在真实数据和生成器的输出中进行鉴别.GA ...
- 还记得Wasserstein GAN吗?
ICML 2017 仍然在悉尼火热进行中,Facebook 研究院今天也发文介绍了自己的 ICML 论文.Facebook有9篇论文被 ICML 2017接收,这些论文的主题包括语言建模.优化和图像的 ...
- Wasserstein GAN最新进展:从weight clipping到gradient penalty,更加先进的Lipschitz限制手法
作者:郑华滨 链接:https://www.zhihu.com/question/52602529/answer/158727900 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商业转 ...
- 关于Wasserstein GAN的理解
看了知乎文章令人拍案叫绝的Wasserstein GAN,记录一下自己的WGAN的理解 首先WGAN使用Wasserstein距离作为损失函数对模型进行训练,然而这个Wasserstein距离的具体公 ...
- 【GANs】Wasserstein GAN
[GANs]Wasserstein GAN 4 W-GAN 4.1 W-GAN简介 评价网络 生成网络 4.2 散度 KL散度 JS散度 Wasserstein距离 4.3 代码实现 4 W-GAN ...
- 令人拍案叫绝的 Wasserstein GAN,彻底解决GAN训练不稳定问题
[新智元导读] 本文详细解析了最近在 reddit 的 Machine Learning 版引起热烈讨论的一篇论文Wassertein GAN,该论文提出的 WGAN 相比原始 GAN 的算法实现流程 ...
最新文章
- 简明 Python 编程规范
- django 自定义simple_tag,filter
- 2022年全球及中国面粉混合物行业发展态势与消费需求前景调查报告
- case when else 默认随机_SQL高级知识——CASE的用法
- uniapp 强制刷新DOM/强制更新指令:this.$forceUpdate();
- 心中一万只草泥马在奔腾是种怎样的体验?| 今日最佳
- eladmin代码自动生成_如何让Mybatis自动生成代码
- python求第n个质数_找到第n个质数:麻木
- C# WinForm开发系列 - 开篇
- 取消setfill_9.1.7 setFillBefore方法:设置起始填充
- maxdea如何计算指数_maxdea 5.0中文简体使用手册.pdf
- java 行政区划编号_行政区划 | Java Service SDK | 开发支持 | 四维地图开放平台
- jbutton java_Java JButton
- 英语音标学习视频教程
- CMake入门使用(一)安装及HelloWorld的构建
- Latex更改参考文献格式
- 第11章 枚举与泛型总结
- 2021年山东省安全员C证试题及解析及山东省安全员C证模拟考试
- 信息学奥赛一本通-1042
- linux 常用命令,持续更新中~