Generative Model » GAN（二）——GAN进阶
2019-03-21 :: 6388 Words概况（续）
小结
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\(L_{fake}\)和\(L_{real}\)。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：
\[\| D(y,\theta) - D(y' , \theta) \| \leq C \|y-y'\|\]也可写作：
\[\left\| \frac{\partial D(y,\Theta)}{\partial y}\right\| \leq C\]WGAN
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，\(P_G\)和\(P_{data}\)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\(\log 2\)。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。
论文：
《Wasserstein GAN》
此外，还有使用最小二乘代替JS散度的GAN——LSGAN。
参考：
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
其他细节
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）》。
参考
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。
参考：
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。
参考：
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。
参见：
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。
论文：
《The Six Fronts of the Generative Adversarial Networks》
这篇论文把GAN的改进分为了6个方向：
参考
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
您的打赏，是对我的鼓励
