GAN_P1

约 7494 个字 预计阅读时间 25 分钟

Generation

Network as Generator

接下来要进入一个，新的主题 我们要讲 生成 这件事情

到目前为止大家学到的network，都是一个function，你给他一个X就可以输出一个Y

我们已经学到各式各样的，network 架构，可以处理不同的 X 不同的 Y

我们学到输入的X

• 如果是一张图片的时候怎么办
• 如果是一个sequence的时候怎么办

我们也学到输出的Y

• 可以是一个数值
• 可以是一个类别
• 也可以是一个sequence

接下来我们要进入一个新的主题，这个新的主题是要把 network，当做一个 generator 来用，我们要把 network 拿来做生成使用

那把 network 拿来当作 generator 使用，他特别的地方是现在 network 的输入，会加上一个 random 的 variable，会加上一个 Z

这个Z，是从某一个，distribution sample出来的，所以现在network它不是只看一个固定的X得到输出，它是同时看X跟Z得到输出

network怎么同时看X跟Z，有很多不同的做法，就看你怎样设计你的network架构

• 你可以说X是个向量，Z是个向量 两个向量直接接起来，变成一个比较长的向量，就当作network的input

• 或者是你的X跟Z正好长度一模一样，把它们相加以后，当做network的input

• 等等

Z特别的地方是 它是不固定的，每一次我们用这个network的时候，都会随机生成一个Z，所以Z每次都不一样，它是从一个distribution里面，采样sample出来的

这个distribution，这边有一个限制是，它必须够简单，够简单的意思是，我们知道它的式子长什么样子，我们可以从这个distribution，去做sample

举例来说这个distribution，可以是一个function distribution，你知道function distribution的式子，你知道怎么从gaussian distribution做sample

它也可以是uniform distribution，那uniform distribution的式子你一定知道，你也知道怎么从uniform distribution做sample，所以这一个distribution，的形状你自己决定，但你只要记得说它是简单的，你能够sample它的 就结束了

所以每次今天，有一个X进来的时候，你都从这个distribution，里面做一个sample，然后得到一个output，随着你sample到的Z不同，Y的输出也就不一样，所以这个时候我们的network输出，不再是单一一个固定的东西，而变成了一个复杂的distribution，同样的X作为输入，我们这边每次sample到，不一样的东西，通过一个复杂的network转换以后，它就会变成一个复杂的分布，你的network的输出，就变成了一个distribution

那这种可以输出，一个distribution的network，我们就叫它 generator

Why distribution

在讲怎么训练出generator之前，我们第一个想要回答的问题是，为什么我们需要generator输出是一个分布？输入X输出Y，这样固定的输入跟输出关系不好吗？

所以以下就举一个例子来跟你说明，为什么输出有时候需要是一个分布

这边举的例子，是video prediction，就是给机器一段的影片，然后它要预测接下来会发生什么事情

那这个例子，是我从上面这个，github的连结 https://github.com/dyelax/Adversarial_Video_Generation找到的，那在这个连结里面 它要做的事情，是去预测小精灵这个游戏，接下来的游戏画面会长什么样子

video prediction，那你就给你的network过去的游戏画面，然后它的输出就是新的游戏画面，下一秒的下一个时间点的游戏画面

有人可能会问说怎么输出一张图片？

这个一张图片就是一个很长的向量，所以你只要让你的network，可以输出一个很长的向量，然后这个向量整理成图片以后，跟你的目标越接近越好

其实在这个github里面，它不是直接把整个画面当做输入，它是从画面里面只切一小块当做输入，就它把这整个画面切成很多块，然后分开来处理，不过我们这边为了简化说明，就当作network是一次，输入一整个这样的画面

如果你用我们学过的network training的方法，Supervise learning train下去，你得到的结果可能会是这个样子，这个是机器预测出来的结果(第三部分 Non-Adversarial)

所以你看有点模模糊糊的，而且中间还会变换角色，神奇的是那个小精灵，走着走着 居然就分裂了，它走到转角的时候，看它走到转角的时候就分裂成两只了，走到这边又再分裂成两只了，有时候走着走着还会消失

因为今天对这个network而言，在训练资料里面同样的输入，有时候同样的转角

• 有时候小精灵是往左转
• 有时候小精灵是往右转

这样这两种可能性，同时存在你的训练资料里面

你在训练的时候，今天你的network，得到的训练的指示是，给定这一段输入，那今天得到这一笔训练资料，那它就要学到给定这段输入，输出应该要往右转，给定这一些训练资料，有时候你会看到的是向左转，那机器就会学到给定这一段输入，它要向左转

所以你的network，学到的就是两面讨好，

因为它需要得到一个输出，这个输出同时距离向左转最近，同时也距离向右转最近，那怎么样同时距离向左转最近，向右转最近，也许就是同时向左也向右转

所以你的network，它就会得到一个错误的结果，向左转是对的 向右转也是对的，但是同时向左向右转 反而是不对的，

那有什么样的可能性，可以处理这个问题，一个可能性就是，让机器的输出是有机率的，让它不再是输出单一的输出，让它输出一个机率的分布

当我们给这个network，一个distribution的时候，当我们给这个network input，加上一个Z的时候，它的输出就变成了一个distribution，它的输出就不再是固定的

我们希望训练一个network，它可以知道说它的输出的这个分布，包含了向左转的可能，也包含向右转的可能

举例来说假设你选择你的Z，是一个比如说，binary的random variable，它就只有0跟1 那可能各占50%，也许你的network就可以学到说，Z sample到1的时候就向左转，Z sample到0的时候就向右转，就可以解决，这个世界有很多不可预测的东西的状况

那什么时候我们会特别需要处理这种问题，什么时候，我们会特别需要这种generator的model，当我们的任务需要一点创造力的时候

任务需要一点创造力这件事情，是比较拟人化的讲法，更具体一点的讲法就是，我们想要找一个function，但是同样的输入有多种可能的输出，而这些不同的输出都是对的，

举例来说，画图这件事情，可能就需要一些创造力

举例来说假设叫一个人，画一个红眼睛的角色，那每个人可能画出来，或者心里想的动画人物可能都不一样

那这个时候，我们就需要让机器能够，让我们的model能够output一个distribution

那还有什么样的例子，会需要用到创造力，举例来说，对话这件事情

举例来说假设你跟另外一个人说，你知道辉夜是谁吗，其实有很多不同的答案对不对

所以我们对机器说一句话，问它说辉夜是谁，其实每个人也可能都有不同的答案，这个时候我们就需要generative的model。

Generative Adversarial Network (GAN)

generative的model，其中一个非常知名的，就是 generative adversarial network，它的缩写是 GAN，那我们这一堂课主要就是介绍，generative adversarial network，发音就是 gàn

它其实有很多各式各样的变形，你可以在网络上找到，一个GAN的动物园，找到一个GAN的zoo

那个GAN的动物园里面，收集了超过五百种以上的GAN，每次有人发明了，一个新的GAN的时候，他就会在前面加一个英文的字母，但是英文的字母是有限的，很快的英文的字母就被用尽了

举例来说在GAN的动物园里面，至少就有六种的SGAN，它们都是不同的东西，但它们通通被叫做SGAN，甚至还发生了的状况，有一篇paper他提出来的叫做，“Variational auto-encoding GAN”，照理说应该所写成，AEGAN或者是AGAN，但是作者加了一个注解说，哎呀AEGAN被别人用了，所有的英文字母，看起来都被别人用了，我只好叫做α-GAN

Anime Face Generation

我们现在要举的例子，就是要让机器生成动画人物的，二次元人物的脸，我们举的例子是Unconditional的generation，Unconditional generation就是我们这边先把X拿掉

那之后我们在讲到conditional generation的时候，我们会再把X加回来，这边先把X拿掉，所以我们的generator它输入就是Z，它的输出就是Y

那输入的这个Z是什么

我们都假设Z是从一个normal distribution里sample出来的向量，那这个向量通常会是一个，low-dimensional的向量，它的维度其实是你自定的，你自己决定的，那通常你就定个50或者100的大小

好你从这边Z，你从这个normal distribution，里面sample一个向量以后，丢到generator里面，Generator就给你一个对应的输出，那我们希望对应的输出，就是一个二次元人物的脸

那到底generator要输出怎么样的东西，才会变成一个二次元人物的人脸，其实这个问题没有你想象的那么困难

一张图片就是一个非常高维的向量，所以generator实际上做的事情，就是产生一个非常高维的向量，举例来说 假设这是一个64X64，然后彩色的图片，那你的generator输出就是64X64X3，那么长的向量 把那个向量整理一下，就变成一张二次元人物，这个就是generator要做的事情

当你输入的向量不同的时候，你的输出就会跟着改变，所以你从这个，normal distribution里面，Sample Z出来 Sample到不同的Z，那你输出来的Y都不一样，那我们希望说不管你这边sample到什么Z，输出来的都是动画人物的脸

那讲到这边可能有同学会问说，这边为什么是，normal distribution，不能是别的吗？

可以是别的，这边选别的你其实也会问同样的问题，就是了，那我(李宏毅本人)的经验是不同的distribution之间的差异，可能并没有真的非常大，不过你还是可以找到一些文献，试着去探讨不同的distribution之间，有没有差异

但是这边其实你只要选一个，够简单的distribution就行，因为你的generator会想办法，把这个简单的distribution，对应到一个复杂的distribution，所以你可以把选择distribution这件事情，交给你的generator来处理，那这边我们在等一下的讨论里面，都假设是一个，normal distribution

Discriminator

在GAN里面，一个特别的地方就是，除了 generator 以外，我们要多训练一个东西，叫做 discriminator

discriminator它的作用是，它会拿一张图片作为输入，它的输出是一个数值，这个discriminator本身，也是一个neural network，它就是一个function

它输入一张图片，它的输出就是一个数字，它输出就是一个scalar，这个scalar越大就代表说，现在输入的这张图片，越像是真实的二次元人物的图像

举例来说

这个是二次元人物的头像，那就输出1 假设1是最大的值，那这个也是画得很好的就输出1，这个不知道在画什么就输出0.1，这个不知道在画什么就输出0.1

至于discriminator的neural network的架构啊，这也完全是你自己设计的，所以generator是个neural network，Discriminator也是个neural network，他们的架构长什么样子，你完全可以自己设计，你可以用CNN，你可以用transformer，都可以，只要你能够产生出你要的输入输出，就可以了

那在这个例子里面，像discriminator，因为输入是一张图片，你很显然会选择CNN对不对，CNN在处理影像上有非常大的优势，既然输入是一张图片，那你的discriminator很有可能，里面会有大量的CNN的架构，那至于实际上要用什么样的架构，完全可以自己决定

Basic Idea of GAN

为什么要多一个discriminator，这边就讲一个故事，这个故事跟演化是有关的

这不是一片枯叶，它其实枯叶蝶的拟态，那枯叶蝶长得跟枯叶非常像，它可以躲避天敌，那枯叶蝶的祖先，其实也不是长得像枯叶一样，也许他们原来也是五彩斑斓，但为什么他们变得长得像枯叶一样，是因为有天择的压力

这个不是普通的麻雀，这个是波波，这个波波会吃枯叶蝶的祖先，在天择的压力之下，枯叶蝶就变成棕色的

因为波波它只会吃彩色的东西，它看到彩色的东西知道是蝴蝶，就把它吃掉，那看到棕色的东西，那个波波就觉得是枯叶就可以骗过它，所以枯叶蝶的祖先，在天择的压力之下，颜色就变成是棕色的

但是波波也是会演化的，所以波波为了要吃到这些枯叶蝶，你有偽装成枯叶的枯叶蝶，所以它也进化了，波波进化以后就是比比鸟这样

比比鸟，它在判断一个蝴蝶能不能吃的时候，是用比较高明的手段，它不会只看颜色，它会看它的纹路，它知道说没有叶脉的是蝴蝶，有叶脉的才是真正的枯叶

在天择的压力之下，枯叶蝶就产生了拟态，产生了叶脉，想要骗过比比鸟，但是比比鸟它也有可能会再进化，比比鸟进化是什么，比比鸟进化就是大比鸟

这个就是大比鸟，那大比鸟可能可以分辨，这个枯叶蝶跟枯叶的不同

那这个是演化的故事，对应到GAN，枯叶蝶就是generator，那它的天敌就是discriminator，

那现在我们generator要做的事情，是画出二次元的人物，那generator怎么学习画出二次元的人物，它学习的过程是这样子

第一代的generator它的参数几乎是，它的参数完全是随机的，所以它根本就不知道，要怎么画二次元的人物，所以它画出来的东西就是一些，莫名其妙的杂讯

那discriminator接下来，它学习的目标是，要分辨generator的输出，跟真正的图片的不同，那在这个例子里面可能非常的容易，对discriminator来说它只要看说，图片里面有没有两个黑黑的圆球，就是眼睛，有眼睛就是真正的二次元人物，没有眼睛就是generator，产生出来的东西

接下来generator就调整它的里面的参数，Generator就进化了，它调整它里面的参数 它调整的目标，是为了要骗过discriminator，假设discriminator，判断一张图片是不是真实的依据，看的是有没有眼睛，那generator就产生眼睛出来，给discriminator看

所以generator产生眼睛出来，然后他可以骗过第一代的，discriminator，但是discriminator也是会进化的，所以第一代的discriminator，就变成第二代的discriminator，第二代的discriminator会试图分辨这一组图片跟真实图片之间的差异，它会试图去找出这两者之间的差异

它发现说，这边产生的图片都是比较简单的，举例来说都没有头发也没有嘴巴，那这些图片是有头发的也有嘴巴

接下来第三代的generator就会想办法去骗过第二代的discriminator，既然第二代的discriminator是看有没有嘴巴来判断是不是真正的二次元人物，那第三代的generator就会把嘴巴加上去

那discriminator也会逐渐的进步，它会越来越严苛，然后期待discriminator越来越严苛，Generator产生出来的图片就可以越来越像二次元的人物，那因为这边有一个generator，有一个discriminator，它们彼此之间是会互动

最早这个GAN是，Ian Goodfellow propose的，14年这个GAN的paper，是发表在14年的arvix，那最早在这个GAN的原始的，paper里面，把generator跟discriminator，当作是敌人

如果你有看很多网络文章的话，它都会举例说，啊generator是假钞的啊，然后discriminator是警察啊，警察要抓做假钞的人啊，假钞就会越来越像，警察就会越来越厉害等等

因为觉得generator，跟discriminator中间有一个，对抗的关系，所以就用了一个， adversarial 这个字眼，Adversarial就是对抗的意思，但是至于generator跟discriminator，他们是不是真的在对抗，这只是一个拟人化的说法而已，

所以generator，跟discriminator的关系啊，用动画来说就是写作敌人念做朋友，就跟进藤光还有塔矢亮一样，或者是跟Naruto跟Sasuke一样

Algorithm

以下就是正式来讲一下，这个演算法实际上是长什么样子，generator跟discriminator，他们就是两个network

network在训练前，你要先初始化它的参数，所以我们这边就假设说，generator跟discriminator，它们的参数，都已经被初始化了

Step 1: Fix generator G， and update discriminator D

初始化完以后，接下来训练的第一步是，定住你的generator，只train你的discriminator

那因为一开始你的generator的参数，是随机初始化的，那如果你又固定住你的generator，那它根本就什么事都没有做啊，它的参数都是随机的啊

所以你丢一堆向量给它，它的输出都是乱七八糟的图片，那其实如果generator参数，是初始化的话，你连这样子的结果都产生不出来，那产生出来的就很像是电视机坏掉的，那一种杂讯

那你从这个gaussian distribution里面，去random sample一堆vector，把这些vector丢到generator里面，它就吐出一些图片。一开始这些图片，会跟正常的二次元人物非常的不像

好那你会有一个database，这个database里面，有很多二次元人物的头像，这个去网络上爬个图库就有了，这个不难搜集，从这个图库里面去sample一些二次元人物的头像出来

接下来你就拿真正的二次元人物头像，跟generator产生出来的结果，去训练你的discriminator，discriminator它训练的目标是要分辨，真正的二次元人物，跟generator产生出来的二次元人物，它们之间的差异

讲得更具体一点啊，你实际上的操作是这个样子，你可能会把这些真正的人物都标1，Generator产生出来的图片都标0

接下来对于discriminator来说，这就是一个分类的问题，或者是regression的问题

• 如果是分类的问题，你就把真正的人脸当作类别1，Generator产生出来的，这些图片当作类别2，然后训练一个classifier就结束了
• 或者是有人会把它当作，regression的问题，那你就教你的discriminator说，看到这些图片你就输出1，看到这些图片你就输出0，都可以。总之discriminator就学着去分辨这个real的image跟产生出来的image之间的差异

但是实际上怎么做，你可以当作分类的问题来做，也可以当作regression的问题来做

Step 2: Fix discriminator D， and update generator G

我们训练完，discriminator以后，接下来定住discriminator改成训练generator，怎么训练generator呢

拟人化的讲法是，我们就让generator想办法去骗过discriminator，因为刚才discriminator，已经学会分辨，真图跟假图的差异，真图跟生成的图片的差异，Generator如果可以骗过，discriminator它可以产生一些图片，Discriminator觉得，是真正的图片的话，那generator产生出来的图片，可能就可以以假乱真

它实际上的操作方法是这样子，你有一个generator，generator吃一个向量作为输入，从gaussian distribution sample出来的向量作为输入，然后产生一个图片

接下来我们把这个图片丢到Discriminator里面，Discriminator会给这个图片一个分数，那generator它训练的目标，就Discriminator参数是固定的，我们只会调整generator的参数

Generator训练的目标，是要Discriminator的输出值越大越好， 那因为Discriminator，它本来训练的时候，它训练的目标它可以做的事情就是，看到好的图片就给它大的分数，如果generator可以调整参数之后，输出来的图片Discriminator会给予高分，那意味着generator产生出来的图片是比较真实的

更具体一点，实际上你的操作是这个样子，Generator是一个network，里面有好几层，Discriminator也是一个network，里面有好几层，我们把generator跟Discriminator直接接起来，当做一个比较大的network来看待

举例来说generator，如果是五层的network，Discriminator如果是五层的network，把它们接起来我们就把它当作是一个，十层的network来看待

而这个十层的network里面，某一个hidden layer它的输出很宽，它的输出的这个dimension呢，就跟图片里面pixel的数目乘三是一样的，你把这个hidden layer的输出，做一下整理以后就会变成一张图片，所以这整个大的network里面，其中某一层的输出就是代表一张图片

我们要做的事情是，整个巨大的network啊，它会吃一个向量作为输入，然后他会输出一个分数，那我们希望调整这个network，让输出的分数越大越好

但是要注意一下 我们不会去调，对应到Discriminator的部分，我们不会去调这个巨大network的最后几层，

我们只调generator的参数，至于怎么调Generator的参数，这个训练的方法跟我们之前训练一般的network没有什么不同

我们之前说训练network的时候就是，定一个loss，然后你用gradient descent，让loss越小越好，那这边你也有一个目标，只是这个目标不是越小越好，而是越大越好，那当然你也可以把这个目标，Discriminator output成一个负号，就当作loss你可以把Discriminator，output成一个负号当作loss，然后generator训练的目标，就是让loss越小越好

或者你也可以说，我们就是要让Discriminator output，的值越大越好，然后我们用 gradient ascent，不是gradient descent，gradient descent是，让loss越小越好，gradient ascent会让你的目标函数，越大越好，我们会用gradient ascent去调generator，让Discriminator的输出越大越好

这是同一件事，这边训练generator的方法，也是用gradient descent base的方法，跟我们之前在训练一个，一般network的时候，是没有什么差异的

所以现在讲了两个步骤

• 第一个步骤：固定generator，训练discriminator
• 第二个步骤：固定discriminator，训练generator

接下来就是反复的训练

所以你是训练一阵子discriminator，训练一阵子generator，训练一阵子discriminator，再训练一阵子generator，Generator跟discriminator，它们是反复的去进行训练，当其中一种进行训练的时候，另外一个就固定住，那你期待discriminator跟generator，都可以做得越来越好

Anime Face Generation

下一个作业就是，要做动画人物的人脸生成，那你可能会问说，到底可以做到什么样的程度呢

以下的结果是我在17年的时候做的 Source of training data: https://zhuanlan.zhihu.com/p/24767059，我自己试着train了一下GAN，看看GAN是不是真的可以产生，二次元的人物

好那我训练了，我把那个generator呢，Update了一百次以后，所谓generator update 一百次，的意思是说，就是discriminator train一下，generator train一下，discriminator train一下，generator train一下，这样往返一百次以后得到的结果，是这样子

嗯 不知道在做些什么，但我接下来呢就再等了一下，Train 一千次的

discriminator 跟generator，各自训练这样反复一千次以后，机器就产生了眼睛，机器知道说人脸就是要有两个眼睛，所以它就把眼睛标上去，训练到两千次的时候，你发现嘴巴就出来了

训练到五千次的时候，已经开始有一点人脸的样子了，而且你发现说机器学到说，动画人物啊，就是要有那个水汪汪的大眼睛，所以他每个人的眼睛呢，都涂得非常的大，涂有反白 代表说反光，是水汪汪的大眼睛

这个是训练一万次以后的结果，有发现形状已经有出来了，只是有点模糊，很多地方有点晕开的感觉，好像是水彩画的样子，

接下来这个是，update两万次的结果

这个是update五万次的结果

我后来就停在五万次的地方，那其实你在作业里面，是有机会做得比这个结果更好的，这个是助教是学生的时候做的结果啦，那如果是最好，可能可以做到这个样子

那你会发现说这些人物呢都还不错，只是有一些比较，还是会有偶尔会有一些崩坏啦，但乍看之下呢可能比一些作画画风，会崩坏的动画公司，比如说一些妹非妹做的还要好一些了，

如果你有好的资料库的话，那当然我们提供给大家的资料，是做不到这个地步的啦，如果你有真的非常好的资料的话，也许你可以做出真的很好的结果

我在网络上呢，找到了一个这样子的结果，这个是用StyleGAN做的，那用StyleGAN做起来，可以做到这个样子

好那除了产生动画人物以外，当然也可以产生真实的人脸，有一个技术叫做progressive GAN，它可以产生非常高清的人脸

上下两排都是机器产生的，好所以这个显然progressive GAN，它有办法产生以假乱真的人脸

那你可能会问说要产生人脸，有什么用呢，我去路边拍一个人，产生出来的照片不是更像真的吗

但是用GAN你可以产生你没有看过的人脸，举例来说用GAN，你可以做到这样子的事情，我们刚才说GAN这种generator，就是输入一个向量输出一张图片，那你不只可以输入一个向量输出一张图片

你还可以把输入的向量，做内插，做interpolation，把输入的向量做内插以后，会发生什么事呢，你就会看到两张图片之间连续的变化

举例来说你输入一个向量，这边产生一个看起来非常严肃的男人，你输入一个向量，这边产生一个笑口常开的女人，那你输入这两个向量中间的，interpolation它的内插，你就看到这个男人逐渐的笑了起来

你输入一个向量，这个输入的向量这边是假的啦，但这边产生出来的图片是真的，你输入一个向量，这边产生一个往左看的人，你输入一个向量，这边产生一个往右看的人，你把往左看的人跟往右看的人，做interpolation会发生什么事呢

机器并不是傻傻地，把两张图片叠在一起，变成一个双面人，而是机器知道说，往左看的人脸跟往右看的人脸，介于他们中间的就是往正面看，你在训练的时候其实并没有真的告诉，机器这件事 但机器可以自己学到说，把这两张脸做内插，应该会得到一个往正面看的人脸。

本文总阅读量次