新智元编译  


编译：张易

【新智元导读】Ian Goodfellow 提出令人惊叹的 GAN 用于无人监督的学习，是真正AI的“心头好”。而 PyTorch 虽然出世不久，但已俘获不少开发者。本文介绍如何在PyTorch中分5步、编写50行代码搞定GAN。下面一起来感受一下PyTorch的易用和强大吧。


2014年，Ian Goodfellow和他在蒙特利尔大学的同事们发表了一篇令人惊叹的论文，将GAN或称生成式对抗网络带到世界的面前。 通过计算图形和游戏理论的创新组合，他们指出，给定足够的建模能力，两个相互对抗的模型能够通过普通的旧的B-P网络进行共同训练。

 

模型扮演了两个不同的（确切地说，是对抗的）的角色。 给定一些真实数据集R，G是发生器（试图创建看起来像真正数据的假数据），而D是鉴别器，从真实数据集或G中获得数据并标记差异。 Goodfellow的比喻（一个很好的比喻）是，G像一伙努力用他们的输出匹配真实图景的骗子，而D是一帮努力鉴别差异的侦探。 （唯一的不同是，骗子G永远不会看到原始数据 –而只能看到D的判断。他们是一伙瞎了眼的骗子）。

理想状态下，D和G将随着时间的推移而变得更好，直到G真正变成了原始数据的“伪造大师”，而D则彻底迷失，“无法分辨真假”。


实际上，Goodfellow已经指出，G将能够对原始数据集执行一种无监督学习，找到某种（可能）维度低得多的方式来表示该数据的办法。正如Yann LeCun众所周知的表态，无人监督的学习是真正AI的“心头好”。

这种强大的技术似乎需要一吨的代码才可以开始，对吧？不。 使用PyTorch，我们实际上可以在50行代码下创建一个非常简单的GAN。 真的只有5个组件需要考虑：


R：原始的、真正的数据；

I：进入发生器作为熵源的随机噪声；

G：努力模仿原始数据的发生器；

D：努力将G从R中分辨出来的鉴别器；

训练循环，我们在其中教G来愚弄D，教D小心G。

 

1.）R：在我们的例子中，我们将从最简单的R- 一个钟形曲线开始。 此函数采用平均值和标准偏差，并返回一个函数，该函数从具有那些参数的正态分布中提供样本数据的正确形状。在我们的示例代码中，我们将使用平均值4.0和标准差1.25。


 

2.）I：进入生成器的输入也是随机的，但是为了使我们的工作更难一点，让我们使用一个均匀分布，而不是一个正常的分布。这意味着我们的模型G不能简单地移动/缩放输入以复制R，而是必须以非线性方式重塑数据。


 

3.）G：发生器是一个标准的前馈图 - 两个隐藏层，三个线性地图。我们使用ELU（exponential linear unit ），因为它们是the new black, yo。 G将从I获得均匀分布的数据样本，并以某种方式模仿来自R的正态分布样本。


 

4.）D：鉴别器代码与G的生成器代码非常相似;具有两个隐藏层和三个线性映射的前馈图。 它将从R或G获取样本，并将输出介于0和1之间的单个标量，解释为“假”与“真”。这就像一个神经网络可以得到的胆小鬼 。

5.) 最后，训练循环在两种模式之间交替：首先用准确的标签（把它当成是警察学院）训练在真实数据与假数据上训练D，; 然后用不准确的标签训练G来愚弄D。 这是善与恶之间的斗争。

 

即使你以前没有见过PyTorch，你也可以知道发生了什么。在第一（绿色）部分中，我们将两种类型的数据都推送到D，并对D的猜测和实际标签应用可区分的标准。这种推送是“向前”的步骤; 我们然后显式地调用'backward（）'，以便计算梯度，这会用于更新d_optimizer step（）调用中的D参数。 我们在这里使用G，但不训练。


然后在最后一个（红色）部分，我们为G做同样的事情- 注意，我们还通过D运行G的输出（我们基本上是给了骗子一个侦探来让他练手），但在这一步我们不优化或改变D。 我们不想让侦探D学习错误的标签。 因此，我们只调用g_optimizer.step（）。


这就是全部了。还有一些其他样板代码，但GAN特定的东西只是那5个组件，没有别的了。

 

在D和G之间几千次的禁忌之舞中，我们得到什么？ 鉴别器D很快得到好处（而G缓慢进步着），但一旦达到一定的力量，G就有了一个配得上的对手，并开始改善。 真的改善。


20,000多个训练轮次之后，G输出平均值超过4.0，但随后回到一个相当稳定、正确的范围（下图左）。 同样，标准偏差最初错误的下降，但随后上升到我们希望的1.25的范围（下图右），匹配了R.


 

好，现在基本的统计和R匹配了。 那些highermoments怎么办？ 分布的形状看上去正确吗？ 毕竟，你当然可以有一个均值分布，平均值为4.0，标准差为1.25，但那并不会真正地和R匹配。让我们看看G最终发出的分布。

真不赖。 左尾比右边有点长，但我们应该说，偏斜和峭度是原始高斯的回归。


G几乎完全重现了原来的分布R，D则暗自神伤，因为他已无法分辨事实和虚幻。 这正是我们想要的结果（见Goodfellow中的图1）。 只用了不到50行的代码。


Goodfellow继续就GAN的问题发表了许多文章，其中包括一篇2016年的瑰宝，描述了一些实用的改进， 其中包括了此处适用的minibatchdiscrimination方法。 这里有一个2小时的教程，是他在2016年的NIPS提出的。对于TensorFlow的用户来说，这里有一个parallel post，来自GANs的Aylien。


好，说得够多了。去看看代码吧。