机器学习-39-Tips for Improving GAN(改善GAN的技巧：WGAN,WGAN-GP,EBGAN,LSGAN)

Tips for Improving GAN

这篇文章要说的是对传统的GAN进行的一些优化，为了使GAN更容易训练。比如WGAN，它在原始的GAN上面做了几点改动，成功地提升了原始GAN的表现。还有WGAN-GP，EBGAN和LSGAN。

JS divergence is not suitable(JS divergence衡量分布的问题)

最原始的GAN量的是$P_G$和$P_{data}$之间的JS散度：
$$JS(P_{data}||P_G)=\frac{1}{2}KL\left(P_{data}||\frac{P_{data}+P_G}{2}\right)+\frac{1}{2}KL\left(P_G||\frac{P_{data}+P_G}{2}\right)$$
但是有一个严重的问题：可能两个分布没有任何的重叠，一方面的原因是由于image在高维空间中的分布其实是低维的流形（二维平面折叠在三维空间中），高维空间中的低维流形几乎是可以忽略的；另一方面，在衡量$P_G$和$P_{data}$的散度的时候，我们是从两个分布中sample得到两堆data，再去量他们之间的散度，即使计算分布有重叠，但是data之间是没有重叠的，我们完全可以视data的得到的分布没有任何交集（可以用弯曲的线划开）

由于$P_G$和$P_{data}$ 没有任何的重合，JS散度会有很大的问题？

只要两个分布没有重叠，不管他们是不是接近，算出来的JS散度就是Log2。。。例子如图：虽然G1比G0更接近Pdata，但是从JS散度看起来，两者是没有差别的。这样的话，train起来是有问题的；（实际上在训练的时候，我们的生成器的目标是最小化$P_G$和$P_{data}$ 之间的散度，然后你用判别器量出散度，但是对生成器来说$P_{G_0}$和$P_{G_1}$是一样的，因此生成器不会将$P_{G_0}$更新为$P_{G_1}$）

下面从直觉角度看：为什么只要两个分布没有重叠，散度就是log2.

我们是怎样求两个分布的散度的呢？实际上的操作是：我们有两群data，把它视为两个class，然后判别器就是一个二元分类器，然后最小化交叉熵损失；只要两堆数据没有重合，那么他们的loss就是一样的，这意味着量出来的JS散度是一样的。

在原始GAN里面，当你train的是一个二元分类器时，你会发现是比较难以train的，因为没有重叠就是一样差的。

另外一个直观的想法是：当你learn一个二元分类器的话，会给蓝色的点0分，绿色点1分；output是sigmoid函数，在接近0或1的地方特别平，我们期待的是你train一个生成器，它会带领蓝色的点顺着梯度去移动分布，但是蓝色的点几乎是不动的，因为它的附近梯度几乎是0。 过去一个方法是不要把二元分类器训练的特别好（？？），太好了就梯度为0了。(下图左下角)

Least Square GAN (LSGAN)

看我们上图中的右下角

将输出的sigmiod换成linear…从分类问题，变成了回归问题。正样本越接近1越好，负样本越接近0越好。

Wasserstein GAN (WGAN): Earth Mover’s Distance

earth mover’s distance

换一种方式来衡量$P_G$和$P_{data}$ ，用的是earth mover’s distance; 意思是假设你有两堆data P 和 Q，而你开着一个推土机，将 P土 推到 Q土 ，这个走过的距离就叫earth mover’s distance。

上面的分布是简化了的，土堆应该是这样：

出现一个问题：同样的分布，推土机可能走过的路程不一样：

上图中的左边是是把邻近的土进行移动，右边是比较远的土进行移动。我们一般用左边的那种。

穷举所有可能的铲土的方法，每一种方法我们叫做moving plan，看哪个方法的距离最小，就是earth mover’s distance。

上图中右边是这个例子中最好的一个moving plan

• 行x所有点加起来，对应P中对应第x堆土；
• 列y所有点加起来，对应Q中对应第y堆土。

给定矩阵（确定移动方案后）$\gamma$，计算移动距离$B(\gamma )$：
$$B(\gamma )=\sum _{x_p,x_q}\gamma (x_p,x_q)||x_p-x_q||$$
然后穷举所有移动方案，找到最小那个就是earth mover’s distance：
$$W(P,Q)=\underset{\gamma \in \prod }{\min }B(\gamma )$$

Why Earth Mover’s Distance?

我们来看：当你使用JS散度的时候，不重叠都是log2；当使用W散度的时候，当两个分布虽然不重叠但是当距离变小的时候，散度也小。

WGAN

WGAN

我们怎样改判别器，才能使判别器得到的结果是wassertein distance呢？（最大化之前的V（也就是二分类训练）得到的结果是衡量JS散度的）我们怎样改V才能使最大化V是wassertein distance呢？

x是从$P_{data}$中sample出来的，让它的判别器输出越大越好；

x是从$P_G$中sample出来的，让它的判别器输出越小越好；

除此之外，还要有一个约束，就是判别器必须是一个1-Lipschitz函数；一个重要特点就是它很平滑

如果没有这个约束，判别器一味着让：real的分数就越来越高，generated的分数越来越低；那么就崩溃了，永远不会收敛；因为值可以越来越大或者越来越小。看我们上图中，D就会在生成数据$P_G$的地方趋向于负无穷大，在真实数据$P_{data}$ 的地方趋向于正无穷大。两个分布就会差很多。加入平滑限制，会使得D不会无限的上升和下降，会停在某个地方。

因此必须有额外的限制，让判别器必须是平滑的

Lipshitz Function

Lipschitz Function：
$$||f(x_1)-f(x_2)||\le K||x_1-x_2||$$
可以看到公式左边是输出的变化，右边是输入的变化，也就是说输出的变化要小于K倍的输入的变化。

当K=1，我们就把这个满足这个不等式的函数称为1-Lipschitz

也就是：
$$||f(x_1)-f(x_2)||\le ||x_1-x_2||$$
也就是不会变化很快。例如上面的绿色函数比较像1-Lipschitz Function，蓝色函数就肯定不是1-Lipschitz Function

weight clipping

如何满足1-Lipschitz Function约束条件呢？原论文使用的方法是：Weight Clipping

仍然使用梯度上升来maximize V 但是当你发现某个参数w大于你设定好的C就设定为c，小于你设定好的-C就设定为-c

还有一种方法叫做：Gradient Penalty

improve WGAN（WGAN-GP,Gradient Penalty）

对Weight Clipping进行改进，函数还是一样：
V ( G , D ) = max ⁡ D ∈ 1 − L i p s c h i t z { E x ∼ P d a t a [ D ( x ) ] − E x ∼ P G [ D ( x ) ] } V(G,D) = \max\limits_{D∈1-Lipschitz}\left\{E_{x\sim P_{data}}[D(x)]-E_{x\sim P_G}[D(x)]\right\} V(G,D)=D∈1−Lipschitzmax​{ Ex∼Pdata​​[D(x)]−Ex∼PG​​[D(x)]}
但是Improved WGAN对于约束换了一个角度，就是梯度的norm要小于等于1。也就是说如果一个函数是1-Lipschitz的话，等价于：对于所有的input x都去求梯度的话，则梯度的norm总是小于等于1：
$$D\in 1-Lipschitz\leftarrow \to ||{▽}_{x}D(x)||\le 1(forallx)$$
关于norm的计算是有一个近似计算的方法的：
V ( G , D ) ≈ max ⁡ D { E x ∼ P d a t a [ D ( x ) ] − E x ∼ P G [ D ( x ) ] }   −   λ ∫ x max ⁡ ( 0 , ∣ ∣ ▽ x D ( x ) ∣ ∣ − 1 ) d x V(G,D) ≈ \max\limits_D\{E_{x\sim P_{data}}[D(x)]-E_{x\sim P_G}[D(x)]\}\ - \ \lambda\int_x \max(0,||▽_xD(x)||-1)dx V(G,D)≈Dmax​{ Ex∼Pdata​​[D(x)]−Ex∼PG​​[D(x)]} − λ∫x​max(0,∣∣▽x​D(x)∣∣−1)dx
后面这个积分项类似于正则项，它的作用是对所有的x做积分，然后取一个max，这个max的意思当Discriminator的梯度的norm大于1，那么就会存在正则项，如果Discriminator的梯度的norm小于1，那么这项为0，没有正则项（不惩罚）。但是这样会有问题，我们不可能对所有高维空间中的x都进行求积分这个操作，我们的x是sample出来的。因此再次把正则项进行近似：
$$-\lambda E_{x\sim P_{penalty}}[max(0,||{▽}_{x}D(x))||-1)]$$
这个正则项保证所有采样出来的x满足Discriminator的梯度的norm小于1

Penalty(中文意思：惩罚)长什么样子呢？

实际上这个penalty项就是从$P_{data}$ 中随便取一点，然后从$P_G$ 中随便取一点，然后在这两点的连线上进行采样，得到$x\sim penalty$

把这些sample到的x ∼ p e n a l t y 范围画出来就是上面的蓝色部分，为什么不是对整个空间中的x都做penalty呢？原文说实验结果表明这样做结果比较好。。。

从另外一个方面来看，$P_G$要沿着梯度的方向向 $P_{data}$ 靠近，靠近移动的方向就是蓝色区域，其他区域也不会去，所以在它们之间的$P_{penalty}$ 这个区域会影响到最后的结果，这也是为什么WGAN优化的是 $P_{penalty}$ 。不过$P_{penalty}$ 最近有新的观点说到其实应该优化 $P_{data}$ 的区域而不是 $P_{penalty}$ 。这里说的是原始版本的WGAN

再来一个trick，之前说近似后的约束是希望梯度大于1就会有惩罚，小于1不会有惩罚，也就是$max(0,||{▽}_{x}D(x)||-1)$。但是在实做的时候，用的正则项是：
$$(||{▽}_{x}D(x)||-1{)}^2$$
意思是希望梯度越接近1越好。原文：

“Simply penalizing overly large gradients also works in theory, but experimentally we found that this approach converged faster and to better optima.”

理由就是实作上效果好。。。

当然这个方法也有缺点，它的penalty的点是从两个分布中随机选点然后连接，然后做采样，如果有下图的两个分布明显这样做有问题：

选择红色那个点是不好的，（因为黄色的点移动也是移动到黑色点那个位置，也就是以黑色点为目标，而不是以红色点为目标。）应该选下图中黑色的点的连线来做采样比较合适。但是找黑色的点又比较麻烦。。。

后来又研究者对Improved WGAN提出Improved Improved WGAN算法，改进的地方在于把penalty放在了$P_{data}$的范围。

Spectrum Norm

上面讲的WGAN比较弱，一来都是用近似的方法搞的，解释不通就说反正实作就是这样；二来只有在某个区域Discriminator的norm才会满足小于1的条件。Spectrum Norm就直接，所有范围的x经过Discriminator后的norm都会满足小于1的条件。（不展开）

简单地说是对每层网络的参数除以该层的谱范数来满足Lipschitz=1的约束，该技术被称为Spectrum Norm(谱归一化）

Spectral Normalization → Keep gradient norm smaller than 1 everywhere

也就是让每一个位置的梯度范数都小于1

下面是生成狗狗的DEMO：

GAN to WGAN（如何将GAN的算法改为WGAN的算法）

我们首先看一下原始GAN 的算法：

前面提及太多次了，就不说了。看一下使用WGAN之后的算法：

WGAN： 要改四个地方：

1. 改V

   sigmoid拿掉变成线性

   使用Weight clipping 或者 Gradient Penalty(加上正则化项)等

2. 改生成器更新公式

Energy-based GAN (EBGAN)

把判别器改成了 autoencoder

对于一般的判别器，你需要让生成器慢慢变强，你的判别器才会强；但是autoencoder的判别器可以pre-train，可以用正样本进行预训练；一开始的判别器会很强，这样你的生成器一开始就会产生很好的image；

生成的图片进入粉色部分（Discriminator），先经过一个Autoencoder，还原后，计算出还原图像和原图的reconstruction error（上图中是0.1），然后乘上一个 -1，得到Discriminator的输出（上例中是-0.1）

所以从整体上来看Discriminator和之前的GAN的Discriminator一样，输入一个对象，得到这个对象和真实对象的差距，只不过是得到这个差距的方法不一样，之前是JS divergence，这里是Autoencoder。简单来说就是根据一个图片是否能够被reconstruction，如果能被还原得很好，说明这个图片是一个high quality的图片，反之亦然。

这个方法的好处就是Autoencoder是可以pretrain的，不需要negative example来训练，直接给它positive example来minimize reconstruction error即可。

Using the negative reconstruction error of auto-encoder to determine the goodness.

Benefit: The auto-encoder can be pre-train by real images without generator.

这样还有一个好处，原来的GAN刚开始训练的时候generator和discriminator都很弱，要不断迭代后discriminator才随着generator的变强而变强，这个方法discriminator不依赖generator，直接开局就很强。

EBGAN在训练的时候有一个trick，如果只是希望生成图片（蓝色）的分数，即reconstruction error越大越好（取负号后变小），那么会让autoencoder训练出来直接输出noise，因为Hard to reconstruct, easy to destroy，要得到低分很简单，只要输出noise，就会得到reconstruction error超级大（取负号后变小），这样训练出来的discriminator不是我们想要的。

因此我们会在训练的过程中为reconstruction error（取负号后）添加一个margin下限（超参数），让reconstruction error（取负号后）小到一定程度即可。

Outlook: Loss-sensitive GAN (LSGAN)

这个GAN也用到了margin的概念，之前的WGAN，Discriminator是希望真实数据得分越大越好，生成数据得分越小越好

但是有些生成数据已经比较真实了，没有必要要搞得很小。例如：下图中的$x^{\prime \prime }$比较接近真实数据$x$，即$\Delta (x,x^{\prime \prime })$比较小，$x^{\prime }$没有那么接近真实数据$x$，即$\Delta (x,x^{\prime })$ 比较大，可以看到$\Delta (x,x^{\prime })$的margin压得比较小，而$\Delta (x,x^{\prime \prime })$ 的margin比较大。

Reference

• Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, Generative Adversarial Networks, NIPS, 2014
• Sebastian Nowozin, Botond Cseke, Ryota Tomioka, “f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization”, NIPS, 2016
• Martin Arjovsky, Soumith Chintala, Léon Bottou, Wasserstein GAN, arXiv, 2017
• Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, Aaron Courville, Improved Training of Wasserstein GANs, NIPS, 2017
• Junbo Zhao, Michael Mathieu, Yann LeCun, Energy-based Generative Adversarial Network, arXiv, 2016
• Mario Lucic, Karol Kurach, Marcin Michalski, Sylvain Gelly, Olivier Bousquet, “Are GANs Created Equal? A Large-Scale Study”, arXiv, 2017
• Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen Improved Techniques for Training GANs, NIPS, 2016
• Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler, Sepp Hochreiter, GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium, NIPS, 2017
• Naveen Kodali, Jacob Abernethy, James Hays, Zsolt Kira, “On Convergence and Stability of GANs”, arXiv, 2017
• Xiang Wei, Boqing Gong, Zixia Liu, Wei Lu, Liqiang Wang, Improving the Improved Training of Wasserstein GANs: A Consistency Term and Its Dual Effect, ICLR, 2018
• Takeru Miyato, Toshiki Kataoka, Masanori Koyama, Yuichi Yoshida, Spectral Normalization for Generative Adversarial Networks, ICLR, 2018