生成对抗网络-GAN&DCGAN

生成对抗网络GAN(Generative adversarial network)是由Goodfellow大神在NIPS2014上提出，论文地址如下:https://arxiv.org/pdf/1406.2661.pdf

1.GAN能做什么？

学习是需要理由和动力的，让我们来看看非常热门的GAN到底有什么什么魔力，GAN的就是生成不存在于真实世界但又类似真实世界的数据，GAN是将创造力和想象力赋予AI的state-of-the-art，目前GAN的应用场景主要如下：
a.AI画家，让AI去作画；
b.将模糊图像变清晰（超分辨率、去雾、去马赛克等），需要用AI的“想象力”去脑补丢失的细节信息；
c.数据增强，根据现有的数据生成新的与现有数据分布相似的数据，用于扩增数据；
d.随着GAN的发展会有更多的实用场景会用到这种技术

2.什么是GAN?

GAN主要由两部分构成，也可以理解成两个网络：生成网络（Generator）和判别网络D（Discrimination）
Generator：G主要用来学习真实图像分布从而自身生成逼近或超越真实的图像，G接收一个随机噪声z，通过这个噪声生成图片，记做G(z)。
Discrimination：D是一个判别网络，判别一张图片是不是“真实的”，它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。
在训练过程中，生成器努力的生成真实的图像去欺骗判别器；而判别器则努力的把生成的图像和真实图像辨别开。这样，G和D便构成了一个动态的对“对抗过程”。
对抗的结果是什么？在最为理想的情况下，对于G，它能够生成“以假乱真”的图像G(z)；对于D，它难以判别G生成的图像的真假，也就是D(G(z))=0.5。这样“对抗”就结束了，我们获得了一个能够“以假乱真”的图像生成器G。

下面具体的说一下"对抗"的过程。首先，我们有一个第一代Generator，G产生一些图片，然后我们把这些图片和一些真实的图片丢到第一代的D里面去学习，让第一代的D能够分辨生成的图像和真实的图像，然后我们又有了第二代的G，第二代的G产生的图片，能够骗过第一代的D，此时，我们在训练第二代的D，依次类推。

image

下面用数学语言来描述这个过程。假设用于训练的真实图像数据是x，图像数据分布为 $P_{data}(x)$ ，G就是要学习到真实的数据分布 $P_{data}(x)$ ， $P_{data}(x)$ 未知。噪声z的分布为 $P_{z}(z)$ ， $P_{z}(z)$ 已知。在理想对抗条件下，学习到的 $G(z)$ 的分布应该尽可能接近 $P_{data}(x)$ ， $G$ 将已知分布 $z$ 映射到了未知分布 $x$ 上了。
因为D的输出是一个二分类问题，所以可根据交叉熵损失函数构造GAN的损失函数：

$V(D,G)=E_{x~Pdata(x)}[lnD(x)]+E_{z~Pz(z)}[ln(1-D(G(z)))]$

损失函数中 $E_{x~Pdata(x)}$ 是指训练数据x中国的真实样本， $E_{z~Pz(z)}$ 指从已知的噪声分布中提取的样本；

整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。
G的目的：G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))D(G(z))尽可能得大，这是V(D,G)V(D,G)会变小。
第一项 $E_{x~Pdata(x)}[lnD(x)]$ D(x)越强，值越接近1， $lnD(x)$ 越接近0；
D的目的：D的能力越强，D(x)D(x)应该越大，D(G(x))D(G(x))应该越小。因此D的目的和G不同，D希望V(D,G)V(D,G)越大越好。

3.DCGAN

深度学习中处理图像最好的模型是CNN，DCGAN就是将CNN与GAN进行了结合，并对网络结构进行了一些改变，以提高收敛速度

取消所有pooling层。G网络中使用转置卷积（transposed convolutional layer）进行上采样，D网络中用加入stride的卷积代替pooling
在D和G中均使用batch normalization
去掉FC层，使网络变为全卷积网络
G网络中使用ReLU作为激活函数，最后一层使用tanh
D网络中使用LeakyReLU作为激活函数

最后编辑于：2019.05.08 14:59:40