TensorFlow 从零开始实现深度卷积生成对抗网络(DCGAN)

        本文将使用 TensorFlow 实现深度卷积生成对抗网络(DCGAN),并用其训练生成一些小姐姐的图像。其中,训练图像来源为:用DCGAN生成女朋友,图像全部由小姐姐的头像组成,大概如下:

图1 用于训练 DCGAN 的小姐姐头像

        生成对抗网络是近几年深度学习中一个比较热门的研究方向,不断的提出了各种各样的变体,包括 GAN、DCGAN、InfoGAN、WGAN、CycleGAN 等。这篇文章在参考 GANDCGAN 这两篇论文,以及 TensorFlow GAN 部分源代码的基础上,简单的实现了 DCGAN,并做了相当多的实验,生成了一些比较逼真的图像。

        其实,在 GitHub 上已经有 DCGAN 的很多项目,星星比较的多的是 DCGAN-tensorflow,但我粗略阅读了他的代码后,觉得可读性不太好,因此还是觉得应该自己从头实现一遍,加深对对抗网络的理解。深度卷积生成对抗网络的网络结构比较简单,很容易实现,真正困难的是调参,参数稍微调整不好,就很容易使训练奔溃,生成的图像完全是噪声图像。

一、DCGAN 网络的定义

        根据生成对抗网络(GAN)的发明者 Goodfellow 的说法,生成对抗网络由生成器(generator)G 和判别器(discriminator)D 两部分组成,其中生成器像假币制造者,企图制造出以假乱真的钱币,而判别器则像验钞机,能识别出哪些是真币哪些是假币。这种造假、打假的矛盾就产生了对抗,当生成器和判别器的能力都充分强大时,对抗的结局是趋于平衡,即生成器生成的样本判别器已经无法区分真伪,判别任何一个样本为真的概率都是 0.5。这当然是理想情况,实际对抗时,很难达到这样的平衡,只能达到一种比较脆弱的、动态的平衡,即生成器能够生成一些足够逼真的样本,而判别器也已很难鉴别样本的真假,但只要参数的变化幅度稍微较大时,就可能打破这个平衡,使得生成器瞬间脆败,生成的样本噪声越来越大,而判别器则不断占上风,能够轻而易举的识别真假,从而使得识别损失快速下降到 0。但既然是对抗,生成器就有可能触底反弹,再次东山再起,重新掀起一阵造假风波,使得判别器又陷入难辨真伪的窘迫境地。一般来说,生成对抗网络的训练过程就是达到平衡、平衡被破坏的、又达到平衡、又被破坏的循环过程,因此它的损失曲线是一条像过山车似的波浪线。

        一般我们接触得比较多的深度学习模型大致有两类,一类是判别模型,一类是生成模型。判别模型的训练数据带有标签,比如分类,给定了一个样本之后需要确定它的归属;而生成模型则是需要根据训练数据来生成样本,或者确定训练数据的分布。通常,生成模型的问题更难,因为分布的归一化系数,即配分函数,很难处理。

        GAN 的作者创造性的将判别模型和生成模型结合在一起,极大的简化了生成模型的求解过程,不过,缺点是训练不稳定。以下,以生成具有某种特性的图像为例,比如以生成小姐姐的头像为例,来简单的阐述深度卷积生成对抗网络(DCGAN)的原理和实现过程。

        假如我们现在有很多小姐姐的头像,我们的目标是要设计一个网络,让它可以生成很逼真的小姐姐的图像。一个很自然的问题是:网络的输入是什么?Goodfellow 的想法很简单,输入是一个随机分布(比如正态分布、均匀分布等)的样本,一般是从这个分布中随机采样一个固定长度的向量,比如长度为 100 或 64 等。对于我们生成小姐姐头像的目标,我们需要从这个一维向量构造出一个具有 3 个颜色通道的 3 维图像。这需要借助一种称为转置卷积(transpose convolution 或 deconvolution)的技术。回想一下卷积网络的整个结构:从一幅 3 个颜色通道的图像开始,经过卷积、池化等作用之后,得到一个一维的最终输出。这显然可以看成是从一个一维向量生成 3 维图像过程的逆过程,因此也把转置卷积称为反卷积解卷积。如下图:

图2 DCGAN 的生成器网络结构

设随机采样的样本为 [x1, ..., xn](n=64 或 100 等),为了输入到一个(转置)卷积网络,将样本数据扩充为一个形状为 1 x 1 x 1 x n 的四维张量,经过第一个(转置)卷积层(卷积核大小 kernel_size = 4,步幅 stride = 2,填充方式 padding = 'VALID')之后,得到形状为 1 x 4 x 4 x 1024 的张量(跟卷积的运算相反,空间大小变大),再经过第二个(转置)卷积层(卷积核大小 kernel_size = 4,步幅 stride = 2,填充方式 padding = 'SAME')之后,形状变为 1 x 8 x 8 x 512,...,到第 6 个转置卷积层(卷积核大小 kernel_size = 4,步幅 stride = 2,填充方式 padding = 'SAME')之后,得到形状大小为 1 x 64 x 64 x 64 的张量,此时,为了得到一张 3 通道的图像,只需要再作用一个卷积层(卷积核大小 kernel_size = 1,步幅 stride = 1,特征映射个数 num_outputs = 3,填充方式 padding = 'SAME')即可,这样做了之后,输出张量的形状大小为 1 x 64 x 64 x 3,压缩第 0 个索引维度之后就得到一张分辨率为 64 x 64 的彩色图像。

        以上即是生成器的网络结构。经过这个网络作用之后,可以把随机采样的一维向量转化成一张图像,不过不可忽略的是,这张图像也是随机的,因此可能全是噪声。为了让这些生成的图像具有小姐姐的人脸特征,需要加入一些监督信息来对生成器的参数进行训练。这部分的工作就由判别器来承担。判别器的网络结构基本上就是上述生成器的网络结构的逆结构(即几乎是上图从右往左看的结果),只不过最后的输出是一个长度为 2 的向量,即判别器是一个 2 分类器,用来识别一张图像是训练的真图像还是生成的假图像。因为判别器是深度网络,具有很强的拟合能力,因此很容易提取出训练数据的人脸特征,相当于提供了一种弱监督的信息(即提取的人脸特征)。接下来的关键问题是怎么充分的利用这种弱监督信息。

        前面提到过,生产对抗网络的对抗过程是:生成器尽量生成逼真的假样本,使得判别器难辨真假,而判别器则尽量提升自己的判别能力,区分出生成器的假样本。因此,对生成器来说,生成的样本越接近训练数据越好。对于生成小姐姐图像的这个任务来说,生成器生成的样本具有越强的女性人脸特征越好。而女性人脸特征可以由判别器提供,因此得到的弱监督目标为:判别器作用于生成器生成的图像的结果,与判别器作用于真实训练图像的结果相似。换句话说,对生成器来说,它应该把自己生成的图像当成真实训练图像来看。而对判别器来说,则要把生成器生成的图像当做假图像来看,从而得到生成对抗网络的损失函数为:

更容易理解的方式是:

给定一个随机采样的向量 z,经过生成器作用之后生成一张图像 G(z),这张图像 G(z) 送给判别器 D 识别之后输出一个 2 分类概率 D(G(z)) = [p1, p2]。对于生成器 G 来说,它的目标是生成和真实训练样本 x 相差无几的图像,因此它要把所有生成的图像都看成是真实图像,因此生成器的损失是:
generator_loss = sigmoid_cross_entropy(logits=[p1, p2], labels=[1])
而对于判别器 D 来说,它希望识别能力越强越好,因此要认为这是一张假图像,从而得到判别器在生成图像上的损失:
discriminator_loss_on_generated = sigmoid_cross_entropy(logits=[p1, p2], labels=[0])
另一方面,为了利用真实图像的(弱监督)信息,判别器在所有真实训练样本 x 上的损失为:
discriminator_loss_on_real = sigmoid_cross_entropy(logits=[q1, q2], labels=[1])
其中 [q1, q2] = D(x) 是判别器作用于真实训练图像 x 后输出的识别概率。

        到此,整个生成对抗网络的最重要的两部分(分别是:生成器、判别器的网络结构和它们对应的损失)内容就讲述完了。一般的,在实际实现时,上述的损失会进行一些平滑处理(见后面源代码,或论文 Improved Techniques for Training GANs),除此之外,在优化判别器时使用两部分损失之和:

discriminator_loss = discriminator_loss_on_generated + discriminator_loss_on_real

这样,我们总共得到了 4 个损失,其中用于反向传播优化网络参数的损失是:generator_lossdiscriminator_loss。将以上思想用 TensorFlow 实现,即得到 DCGAN 的模型(命名为 model.py):

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat May 26 20:03:48 2018

@author: shirhe-lyh
"""

"""Implementation of DCGAN.

This work was first described in:
    Unsupervised representation learning with deep convolutional generative 
    adversarial networks, Alec Radford et al., arXiv: 1511.06434v2
   
This module Based on:
    TensorFlow models/research/slim/nets/dcgan.py
    TensorFlow tensorflow/contrib/gan
"""

import math
import tensorflow as tf

slim = tf.contrib.slim


class DCGAN(object):
    """Implementation of DCGAN."""
    
    def __init__(self, 
                 is_training,
                 generator_depth=64,
                 discriminator_depth=64,
                 final_size=32,
                 num_outputs=3,
                 fused_batch_norm=False):
        """Constructor.
        
        Args:
            is_training: Whether the the network is for training or not.
            generator_depth: Number of channels in last deconvolution layer of
                the generator network.
            discriminator_depth: Number of channels in first convolution layer
                of the discirminator network.
            final_size: The shape of the final output.
            num_outputs: Nuber of output features. For images, this is the
                number of channels.
            fused_batch_norm: If 'True', use a faster, fused implementation
                of batch normalization.
        """
        self._is_training = is_training
        self._generator_depth = generator_depth
        self._discirminator_depth = discriminator_depth
        self._final_size = final_size
        self._num_outputs = num_outputs
        self._fused_batch_norm = fused_batch_norm
        
    def _validate_image_inputs(self, inputs):
        """Check the inputs whether is valid or not.
        
        Copy from:
            https://github.com/tensorflow/models/blob/master/research/
            slim/nets/dcgan.py
            
        Args:
            inputs: A float32 tensor with shape [batch_size, height, width, 
                channels].
            
        Raises:
            ValueError: If the input image shape is not 4-dimensional, if the 
                spatial dimensions aren't defined at graph construction time, 
                if the spatial dimensions aren't square, or if the spatial 
                dimensions aren't a power of two.
        """
        inputs.get_shape().assert_has_rank(4)
        inputs.get_shape()[1:3].assert_is_fully_defined()
        if inputs.get_shape()[1] != inputs.get_shape()[2]:
            raise ValueError('Input tensor does not have equal width and '
                             'height: ', inputs.get_shape()[1:3])
        width = inputs.get_shape().as_list()[2]
        if math.log(width, 2) != int(math.log(width, 2)):
            raise ValueError("Input tensor 'width' is not a power of 2: ",
                             width)
            
    def discriminator(self, 
                      inputs,
                      depth=64,
                      is_training=True,
                      reuse=None,
                      scope='Discriminator',
                      fused_batch_norm=False):
        """Discriminator network for DCGAN.
        
        Construct discriminator network from inputs to the final endpoint.
        
        Copy from:
            https://github.com/tensorflow/models/blob/master/research/
            slim/nets/dcgan.py
        
        Args:
            inputs: A float32 tensor with shape [batch_size, height, width, 
                channels].
            depth: Number of channels in first convolution layer.
            is_training: Whether the network is for training or not.
            reuse: Whether or not the network variables should be reused.
                'scope' must be given to be reused.
            scope: Optional variable_scope. Default value is 'Discriminator'.
            fused_batch_norm: If 'True', use a faster, fused implementation
                of batch normalization.
                
        Returns:
            logits: The pre-softmax activations, a float32 tensor with shape
                [batch_size, 1].
            end_points: A dictionary from components of the network to their
                activation.
                
        Raises:
            ValueError: If the input image shape is not 4-dimensional, if the 
                spatial dimensions aren't defined at graph construction time, 
                if the spatial dimensions aren't square, or if the spatial 
                dimensions aren't a power of two.
        """
        normalizer_fn = slim.batch_norm
        normalizer_fn_args = {
            'is_training': is_training,
            'zero_debias_moving_mean': True,
            'fused': fused_batch_norm}
        
        self._validate_image_inputs(inputs)
        height = inputs.get_shape().as_list()[1]
        
        end_points = {}
        with tf.variable_scope(scope, values=[inputs], reuse=reuse) as scope:
            with slim.arg_scope([normalizer_fn], **normalizer_fn_args):
                with slim.arg_scope([slim.conv2d], stride=2, kernel_size=4,
                                    activation_fn=tf.nn.leaky_relu):
                    net = inputs
                    for i in range(int(math.log(height, 2))):
                        scope = 'conv%i' % (i+1)
                        current_depth = depth * 2**i
                        normalizer_fn_ = None if i == 0 else normalizer_fn
                        net = slim.conv2d(net, num_outputs=current_depth, 
                                          normalizer_fn=normalizer_fn_,
                                          scope=scope)
                        end_points[scope] = net
                    
                    logits = slim.conv2d(net, 1, kernel_size=1, stride=1,
                                         padding='VALID', normalizer_fn=None,
                                         activation_fn=None)
                    logits = tf.reshape(logits, [-1, 1])
                    end_points['logits'] = logits
                    
                    return logits, end_points
                
    def generator(self,
                  inputs,
                  depth=64,
                  final_size=32,
                  num_outputs=3,
                  is_training=True,
                  reuse=None,
                  scope='Generator',
                  fused_batch_norm=False):
        """Generator network for DCGAN.
        
        Construct generator network from inputs to the final endpoint.
        
        Copy from:
            https://github.com/tensorflow/models/blob/master/research/
            slim/nets/dcgan.py
        
        Args:
            inputs: A float32 tensor with shape [batch_size, N] for any size N.
            depth: Number of channels in last deconvolution layer.
            final_size: The shape of the final output.
            num_outputs: Nuber of output features. For images, this is the
                number of channels.
            is_training: Whether is training or not.
            reuse: Whether or not the network has its variables should be 
                reused. 'scope' must be given to be reused.
            scope: Optional variable_scope. Default value is 'Generator'.
            fused_batch_norm: If 'True', use a faster, fused implementation
                of batch normalization.
                
        Returns:
            logits: The pre-sortmax activations, a float32 tensor with shape
                [batch_size, final_size, final_size, num_outputs].
            end_points: A dictionary from components of the network to their
                activation.
            
        Raises:
            ValueError: If 'inputs' is not 2-dimensional, or if 'final_size'
                is not a power of 2 or is less than 8.
        """
        normalizer_fn = slim.batch_norm
        normalizer_fn_args = {
            'is_training': is_training,
            'zero_debias_moving_mean': True,
            'fused': fused_batch_norm}
        
        inputs.get_shape().assert_has_rank(2)
        if math.log(final_size, 2) != int(math.log(final_size, 2)):
            raise ValueError("'final_size' (%i) must be a power of 2."
                             % final_size)
        if final_size < 8:
            raise ValueError("'final_size' (%i) must be greater than 8."
                             % final_size)
            
        end_points = {}
        num_layers = int(math.log(final_size, 2)) - 1
        with tf.variable_scope(scope, values=[inputs], reuse=reuse) as scope:
            with slim.arg_scope([normalizer_fn], **normalizer_fn_args):
                with slim.arg_scope([slim.conv2d_transpose],
                                    normalizer_fn=normalizer_fn,
                                    stride=2, kernel_size=4):
                    net = tf.expand_dims(tf.expand_dims(inputs, 1), 1)
                    
                    # First upscaling is different because it takes the input
                    # vector.
                    current_depth = depth * 2 ** (num_layers - 1)
                    scope = 'deconv1'
                    net = slim.conv2d_transpose(net, current_depth, stride=1, 
                                                padding='VALID', scope=scope)
                    end_points[scope] = net
                    
                    for i in range(2, num_layers):
                        scope = 'deconv%i' % i
                        current_depth = depth * 2 * (num_layers - i)
                        net = slim.conv2d_transpose(net, current_depth, 
                                                    scope=scope)
                        end_points[scope] = net
                        
                    # Last layer has different normalizer and activation.
                    scope = 'deconv%i' % num_layers
                    net = slim.conv2d_transpose(net, depth, normalizer_fn=None,
                                                activation_fn=None, scope=scope)
                    end_points[scope] = net
                    
                    # Convert to proper channels
                    scope = 'logits'
                    logits = slim.conv2d(
                        net,
                        num_outputs,
                        normalizer_fn=None,
                        activation_fn=tf.nn.tanh,
                        kernel_size=1,
                        stride=1,
                        padding='VALID',
                        scope=scope)
                    end_points[scope] = logits
                    
                    logits.get_shape().assert_has_rank(4)
                    logits.get_shape().assert_is_compatible_with(
                        [None, final_size, final_size, num_outputs])
                    
                    return logits, end_points
                
    def dcgan_model(self, 
                      real_data, 
                      generator_inputs,
                      generator_scope='Generator',
                      discirminator_scope='Discriminator',
                      check_shapes=True):
        """Returns DCGAN model outputs and variables.
        
        Modified from:
            https://github.com/tensorflow/tensorflow/blob/master/tensorflow/
            contrib/gan/python/train.py
            
        Args:
            real_data: A float32 tensor with shape [batch_size, height, width, 
                channels].
            generator_inputs: A float32 tensor with shape [batch_size, N] for 
                any size N.
            generator_scope: Optional genertor variable scope. Useful if you
                want to reuse a subgraph that has already been created.
            discriminator_scope: Optional discriminator variable scope. Useful
                if you want to reuse a subgraph that has already been created.
            check_shapes: If 'True', check that generator produces Tensors
                that are the same shape as real data. Otherwise, skip this
                check.
                
        Returns:
            A dictionary containing output tensors.
            
        Raises:
            ValueError: If the generator outputs a tensor that isn't the same
                shape as 'real_data'.
        """
        # Create models
        with tf.variable_scope(generator_scope) as gen_scope:
            generated_data, _ = self.generator(
                generator_inputs, self._generator_depth, self._final_size,
                self._num_outputs, self._is_training)
        with tf.variable_scope(discirminator_scope) as dis_scope:
            discriminator_gen_outputs, _ = self.discriminator(
                generated_data, self._discirminator_depth, self._is_training)
        with tf.variable_scope(dis_scope, reuse=True):
            discriminator_real_outputs, _ = self.discriminator(
                real_data, self._discirminator_depth, self._is_training)
        
        if check_shapes:
            if not generated_data.shape.is_compatible_with(real_data.shape):
                raise ValueError('Generator output shape (%s) must be the '
                                 'shape as real data (%s).'
                                 % (generated_data.shape, real_data.shape))
                
        # Get model-specific variables
        generator_variables = slim.get_trainable_variables(gen_scope)
        discriminator_variables = slim.get_trainable_variables(dis_scope)
        
        return {'generated_data': generated_data,
                'discriminator_gen_outputs': discriminator_gen_outputs,
                'discriminator_real_outputs': discriminator_real_outputs,
                'generator_variables': generator_variables,
                'discriminator_variables': discriminator_variables}
        
    def predict(self, generator_inputs):
        """Return the generated results by generator network.
        
        Args:
            generator_inputs: A float32 tensor with shape [batch_size, N] for 
                any size N.
                
        Returns:
            logits: The pre-sortmax activations, a float32 tensor with shape
                [batch_size, final_size, final_size, num_outputs].
        """
        logits, _ = self.generator(generator_inputs, self._generator_depth,
                                   self._final_size, self._num_outputs,
                                   is_training=False)
        return logits
        
    def discriminator_loss(self, 
                           discriminator_real_outputs,
                           discriminator_gen_outputs,
                           label_smoothing=0.25):
        """Original minmax discriminator loss for GANs, with label smoothing.
        
        Modified from:
            https://github.com/tensorflow/tensorflow/blob/master/tensorflow/
            contrib/gan/python/losses/python/losses_impl.py
        
        Args:
            discriminator_real_outputs: Discriminator output on real data.
            discriminator_gen_outputs: Discriminator output on generated data.
                Expected to be in the range of (-inf, inf).
            label_smoothing: The amount of smoothing for positive labels. This
                technique is taken from `Improved Techniques for Training GANs`
                (https://arxiv.org/abs/1606.03498). `0.0` means no smoothing.
                
        Returns:
            loss_dict: A dictionary containing three scalar tensors.
        """
        # -log((1 - label_smoothing) - sigmoid(D(x)))
        losses_on_real = slim.losses.sigmoid_cross_entropy(
            logits=discriminator_real_outputs,
            multi_class_labels=tf.ones_like(discriminator_real_outputs),
            label_smoothing=label_smoothing)
        loss_on_real = tf.reduce_mean(losses_on_real)
        # -log(- sigmoid(D(G(x))))
        losses_on_generated = slim.losses.sigmoid_cross_entropy(
            logits=discriminator_gen_outputs,
            multi_class_labels=tf.zeros_like(discriminator_gen_outputs))
        loss_on_generated = tf.reduce_mean(losses_on_generated)
        
        loss = loss_on_real + loss_on_generated
        return {'dis_loss': loss,
                'dis_loss_on_real': loss_on_real,
                'dis_loss_on_generated': loss_on_generated}
        
    def generator_loss(self, discriminator_gen_outputs, label_smoothing=0.0):
        """Modified generator loss for DCGAN.
        
        Modified from:
            https://github.com/tensorflow/tensorflow/blob/master/tensorflow/
            contrib/gan/python/losses/python/losses_impl.py
        
        Args:
            discriminator_gen_outputs: Discriminator output on generated data.
                Expected to be in the range of (-inf, inf).
                
        Returns:
            loss: A scalar tensor.
        """
        losses = slim.losses.sigmoid_cross_entropy(
            logits=discriminator_gen_outputs, 
            multi_class_labels=tf.ones_like(discriminator_gen_outputs),
            label_smoothing=label_smoothing)
        loss = tf.reduce_mean(losses)
        return loss
    
    def loss(self, discriminator_real_outputs, discriminator_gen_outputs):
        """Computes the loss of DCGAN.
        
        Args:
            discriminator_real_outputs: Discriminator output on real data.
            discriminator_gen_outputs: Discriminator output on generated data.
                Expected to be in the range of (-inf, inf).
                
        Returns:
            A dictionary contraining 4 scalar tensors.
        """
        dis_loss_dict = self.discriminator_loss(discriminator_real_outputs,
                                                discriminator_gen_outputs)
        gen_loss = self.generator_loss(discriminator_gen_outputs)
        dis_loss_dict.update({'gen_loss': gen_loss})
        return dis_loss_dict

二、训练并生成图像

        深度卷积生成对抗网络 DCGAN 论文的作者总结了他们取得将生成对抗网络用于无监督、稳定的生成图像成功的一些技术:

上面的代码(model.py) 基本上忠实的采用了这些技术。一些细微的差别为:

  1. 从随机分布中采样出的向量长度为 64,而不是论文中的 100;
  2. 用于训练的真实图像的分辨率只能是 n x n,其中 n 必须是 2 的幂;
  3. 生成图像的分辨率也只能是 m x m,其中 m 必须是 2 的幂;
  4. 定义损失时,使用了平滑的技术 Improved Techniques for Training GANs

        这一节关注训练 DCGAN 的问题。首先,将训练文件(命名为 train.py)的代码列出如下:

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sun May 27 16:55:12 2018

@author: shirhe-lyh
"""

"""Train a DCGAN to generating fake images.

Example Usage:
---------------
python3 train.py \
    --images_dir: Path to real images directory.
    --images_pattern: The pattern of input images.
    --generated_images_save_dir: Path to directory where to write gen images.
    --logdir: Path to log directory.
    --num_steps: Number of steps.
"""

import cv2
import glob
import numpy as np
import os
import tensorflow as tf

import model

flags = tf.flags

flags.DEFINE_string('images_dir', None, 'Path to real images directory.')
flags.DEFINE_string('images_pattern', '*.jpg', 'The pattern of input images.')
flags.DEFINE_string('generated_images_save_dir', None, 'Path to directory '
                    'where to write generated images.')
flags.DEFINE_string('logdir', './training', 'Path to log directory.')
flags.DEFINE_integer('num_steps', 20000, 'Number of steps.')

FLAGS = flags.FLAGS


def get_next_batch(batch_size=64):
    """Get a batch set of real images and random generated inputs."""
    if not os.path.exists(FLAGS.images_dir):
        raise ValueError('images_dir is not exist.')
       
    images_path = os.path.join(FLAGS.images_dir, FLAGS.images_pattern)
    image_files_list = glob.glob(images_path)
    image_files_arr = np.array(image_files_list)
    selected_indices = np.random.choice(len(image_files_list), batch_size)
    selected_image_files = image_files_arr[selected_indices]
    images = read_images(selected_image_files)
    
#    generated_inputs = np.random.normal(size=[batch_size, 64])
    generated_inputs = np.random.uniform(
        low=-1, high=1.0, size=[batch_size, 64])
    return images, generated_inputs
    
    
def read_images(image_files):
    """Read images by OpenCV."""
    images = []
    for image_path in image_files:
        image = cv2.imread(image_path)
        image = cv2.resize(image, (64, 64))
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        image = (image - 127.5) / 127.5
        images.append(image)
    return np.array(images)


def write_images(generated_images, images_save_dir, num_step):
    """Write images to a given directory."""
    #Scale images from [-1, 1] to [0, 255].
    generated_images = ((generated_images + 1) * 127.5).astype(np.uint8)
    for j, image in enumerate(generated_images):
        image_name = 'generated_step{}_{}.jpg'.format(num_step+1, j+1)
        image_path = os.path.join(FLAGS.generated_images_save_dir,
                                  image_name)
        image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
        cv2.imwrite(image_path, image)


def main(_):
    # Define placeholder
    real_data = tf.placeholder(
        tf.float32, shape=[None, 64, 64, 3], name='real_data')
    generated_inputs = tf.placeholder(
        tf.float32, [None, 64], name='generated_inputs')
    
    # Create DCGAN model
    dcgan_model = model.DCGAN(is_training=True, final_size=64)
    outputs_dict = dcgan_model.dcgan_model(real_data, generated_inputs)
    generated_data = outputs_dict['generated_data']
    generated_data_ = tf.identity(generated_data, name='generated_data')
    discriminator_gen_outputs = outputs_dict['discriminator_gen_outputs']
    discriminator_real_outputs = outputs_dict['discriminator_real_outputs']
    generator_variables = outputs_dict['generator_variables']
    discriminator_variables = outputs_dict['discriminator_variables']
    loss_dict = dcgan_model.loss(discriminator_real_outputs,
                                 discriminator_gen_outputs)
    discriminator_loss = loss_dict['dis_loss']
    discriminator_loss_on_real = loss_dict['dis_loss_on_real']
    discriminator_loss_on_generated = loss_dict['dis_loss_on_generated']
    generator_loss = loss_dict['gen_loss']

    # Write loss values to logdir (tensorboard)
    tf.summary.scalar('discriminator_loss', discriminator_loss)
    tf.summary.scalar('discriminator_loss_on_real', discriminator_loss_on_real)
    tf.summary.scalar('discriminator_loss_on_generated',
                      discriminator_loss_on_generated)
    tf.summary.scalar('generator_loss', generator_loss)
    merged_summary = tf.summary.merge_all(key=tf.GraphKeys.SUMMARIES)
    
    # Create optimizer
    discriminator_optimizer = tf.train.AdamOptimizer(learning_rate=0.0004,  # 0.0005
                                                     beta1=0.5)
    discriminator_train_step = discriminator_optimizer.minimize(
        discriminator_loss, var_list=discriminator_variables)
    generator_optimizer = tf.train.AdamOptimizer(learning_rate=0.0001,
                                                 beta1=0.5)
    generator_train_step = generator_optimizer.minimize(
        generator_loss, var_list=generator_variables)
    
    saver = tf.train.Saver(var_list=tf.global_variables())
    
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        
        # Write model graph to tensorboard
        if not FLAGS.logdir:
            raise ValueError('logdir is not specified.')
        if not os.path.exists(FLAGS.logdir):
            os.makedirs(FLAGS.logdir)
        writer = tf.summary.FileWriter(FLAGS.logdir, sess.graph)
        
        fixed_images, fixed_generated_inputs = get_next_batch()
        
        for i in range(FLAGS.num_steps):
            if (i+1) % 500 == 0:
                batch_images = fixed_images
                batch_generated_inputs = fixed_generated_inputs
            else:
                batch_images, batch_generated_inputs = get_next_batch()
            train_dict = {real_data: batch_images,
                          generated_inputs: batch_generated_inputs}
                
            # Update discriminator network
            sess.run(discriminator_train_step, feed_dict=train_dict)
            
            # Update generator network five times
            sess.run(generator_train_step, feed_dict=train_dict)
            sess.run(generator_train_step, feed_dict=train_dict)
            sess.run(generator_train_step, feed_dict=train_dict)
            sess.run(generator_train_step, feed_dict=train_dict)
            sess.run(generator_train_step, feed_dict=train_dict)
            
            summary, generated_images = sess.run(
                [merged_summary, generated_data], feed_dict=train_dict)
            
            # Write loss values to tensorboard
            writer.add_summary(summary, i+1)
            
            if (i+1) % 500 == 0:
                # Save model
                model_save_path = os.path.join(FLAGS.logdir, 'model.ckpt')
                saver.save(sess, save_path=model_save_path, global_step=i+1)
                
                # Save generated images
                if not FLAGS.generated_images_save_dir:
                    FLAGS.generated_images_save_dir = './generated_images'
                if not os.path.exists(FLAGS.generated_images_save_dir):
                    os.makedirs(FLAGS.generated_images_save_dir)
                write_images(
                    generated_images, FLAGS.generated_images_save_dir, i)
            
        writer.close()
        
        
if __name__ == '__main__':
    tf.app.run()

这个文件定义了 4 个函数,从上到下分别是:用于随机采样一个批量训练数据的函数 get_next_batch,用于从本地文件夹读取训练图像的函数 read_images,用于将生成器生成的图像保存到某一文件夹的函数 write_images,以及训练整个深度卷积生成对抗网络的主函数 main。前 3 个内容少而简单,直接略过,我们只看 main 函数。主函数首先定义了两个占位符,用于作为数据入口。接下来,实例化一个类 DCGAN 的一个对象,然后作用于占位符上,得到模型输出和 4 个损失,紧随其后的 5 条语句 tf.summary 将损失写入到日志文件,其目的是可以使用 tensorboard 在浏览器中可视化的查看损失的变化情况。再然后是定义了两个优化器:discriminator_optimizergenerateor_optimizer,分别用于优化判别器和生成器的损失。最后,在定义了模型保存对象 saver 和将模型的 graph 写入到日志文件之后,来到了训练过程(for 循环):

  1. 随机从训练图像中选择一个批量的训练样本;
  2. 每优化 1 次判别器都要相继优化 5 次生成器
  3. 每训练 500 步保存一次生成的图像和模型。

另外,为了能够看清模型生成的图像的演化过程,每训练 500 步都使用同样的输入数据。

        关于生成对抗网络训练的方法,GAN 讲得比较清晰:

我们需要关注的一个重点是:判别器每训练 k 次,生成器训练 1 次。但按照我自己的理解(可能有误),应该是:生成器每训练 k 次,判别器训练 1 次。这是因为,在训练的早期,生成器生成的样本与训练的真实样本差别很大,判别器能够轻而易举的识别出来,因此损失 discriminator_loss_on_generated 会迅速的下降到 0,为了延缓这个损失的下降,以及为了让生成器得到充分的训练尽快生成质量较高的样本,选择连续优化生成器 k 次。

        回到我们生成小姐姐头像的问题,经过多次实验,最终选择 k = 5,即每优化 5 次生成器才优化 1 次判别器。这样训练可以让损失 discriminator_loss_on_generated 以及损失 generator_loss 有一段相当长的对抗平衡过程,从而能够让生成器能够长时间的得到优化,进而生成质量较高的图像。

        在项目的当前目录的终端执行:

python3 train.py --images_dir path/to/images/directory

此时会在当前目录下生成一个新的文件夹:training,这个文件夹用来保存训练过程中产生的数据,如模型各种参数等。然后,再运行 tensorboard:

tensorboard --logdir ./training

打开终端返回的浏览器链接,你可以在 SCALARS 页面下看到四条损失曲线,为了更深刻的理解生成对抗网络,建议你仔细的观察这些损失曲线的变化过程,并思考怎样调整参数,让网络生成更逼真的图像。

        train.pymain 函数中的优化器的参数是我试验了很多次之后确定的,虽然还不是很让人满意的参数,但已经可以生成一些比较好的图像了,如训练 15500 次之后生成的图像为(所有生成的图像都保存在文件夹 generated_images):

图3 训练 15500 次之后生成器生成的图像

可以看到,生成的图像整体质量已经比较好了。如果从中挑选出一些比较满意的图像的话,下面这些生成的小姐姐应该可以以假乱真了:

图4 生成器生成的质量上佳的图像

当然,清晰度还需要继续提高。

三、训练的一些细节

        训练生成对抗网络时,需要调整的重点是:两个优化器的学习率和判别器每优化 1 次生成器优化的次数 k。为了学习率的确定更简单,可以使用自适应学习率的优化器 Adam,此时,一般的初始学习率为 0.0001,调整时,可以固定其中一个,而重点去调整另外一个。调整过程中,需要确保损失 discriminator_loss_on_generated 不会一直下降,对应的,即损失 generator_loss 不能一直上升,比较理想的情况是两者都稳定在某一数值附近波动。一般的,如果训练 500 次之后,文件夹 generated_images 里生成的图像都是糊的,说明当前学习率选得不好,要中断训练过程重新调整学习率;而如果此时文件夹里的图像已经依稀有人脸特征,说明可以继续往下训练。以下是我某次训练时的损失曲线(所有参数跟 train.py 中的一样):


图5 训练 20000 次的损失曲线

        根据上图,损失 discriminator_loss_on_generatedgenerator_loss 在 5000 次训练之前处于平衡状态,此时生成的图像越来越清晰。但 5500 次训练之后,损失 generator_loss 开始迅速增大,生成的图像全部变成噪声图像(见下图),此后,在训练 8000 次之后,generator_loss 损失又急剧降到低水平,此时生成的质量又开始变好。到 16000 次之后,随着损失 generator_loss 再次变大,生成的图像再次变糊。对照以上过程,整个训练过程中生成的对应图像如下(因 16000 次之后的图像全是糊的,故略去):

图6 训练过程中生成的图像,请对照损失曲线 generator_loss 观看

        最后,需要说明的一点是,在选择生成器输入的随机分布时,如果使用正态分布(见函数 get_next_batch 被注释的一行):

generated_inputs = np.random.normal(size=[batch_size, 64])

则生成的图像中会有很多是相似的,如第 17500 次训练时生成的 64 张图像中:

图7 使用标准正态分布作为生成器输入时会生成的图像

第 12、14、21、26、27、39、46、49 张图像,及第 9、22、28、33、42、47、56、61 张图像都非常相似(说明标准正太分布生成的样本本身很相似,适用于条件生成对抗网络)。而采用均匀分布:

generated_inputs = np.random.uniform(low=-1, high=1.0, size=[batch_size, 64])

则可以极大的缓解这个问题,见图 3。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,324评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,303评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,192评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,555评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,569评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,566评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,927评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,583评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,827评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,590评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,669评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,365评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,941评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,928评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,159评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,880评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,399评论 2 342

推荐阅读更多精彩内容