机器学习-24-Unsupervised Learning: Generation(无监督学习之生成模型)

文章目录

- Unsupervised Learning: Generation
- - Introduction
  - PixelRNN
  - - Introduction
    - pokemon creation
  - VAE
  - GAN

Unsupervised Learning: Generation

本文将简单介绍无监督学习中的生成模型，包括PixelRNN、VAE和GAN，以后将会有一个专门的系列介绍对抗生成网络GAN

Introduction

正如Richard Feynman所说，“What I cannot create, I do not understand”，我无法创造的东西，我也无法真正理解，机器可以做猫狗分类，但却不一定知道“猫”和“狗”的概念，但如果机器能自己画出“猫”来，它或许才真正理解了“猫”这个概念

这里将简要介绍：PixelRNN、VAE和GAN这三种方法

PixelRNN

Introduction

RNN可以处理长度可变的input，它的基本思想是根据过去发生的所有状态去推测下一个状态

PixelRNN的基本思想是每次只画一个pixel，这个pixel是由过去所有已产生的pixel共同决定的

这个方法也适用于语音生成，可以用前面一段的语音去预测接下来生成的语音信号

总之，这种方法的精髓在于根据过去预测未来，画出来的图一般都是比较清晰的

pokemon creation

用这个方法去生成宝可梦，有几个tips：

为了减少运算量，将40×40的图像截取成20×20
如果将每个pixel都以[R, G, B]的vector表示的话，生成的图像都是灰蒙蒙的，原因如下：
- 亮度比较高的图像，一般都是RGB值差距特别大而形成的，如果各个维度的值大小比较接近，则生成的图像偏向于灰色
- 如果用sigmoid function，最终生成的RGB往往都是在0.5左右，导致色彩度不鲜艳
- 解决方案：将所有色彩集合成一个1-of-N编码，由于色彩种类比较多，因此这里先对类似的颜色做clustering聚类，最终获得了167种色彩组成的向量
  
  我们用这样的向量去表示每个pixel，可以让生成的色彩比较鲜艳

VAE

VAE全称Variational Autoencoder，可变自动编码器

Introduction

前面的文章中已经介绍过Autoencoder的基本思想，我们拿出其中的Decoder，给它随机的输入数据，就可以生成对应的图像

但普通的Decoder生成效果并不好，VAE可以得到更好的效果

在VAE中，code不再直接等于Encoder的输出，这里假设目标降维空间为3维，那我们使Encoder分别输出 $m_1,m_2,m_3$ 和 $\sigma_1,\sigma_2,\sigma_3$ ，此外我们从正态分布中随机取出三个点 $e_1,e_2,e_3$ ，将下式作为最终的编码结果：
$c_i = e^{\sigma_i}\cdot e_i+m_i$

此时，我们的训练目标不仅要最小化input和output之间的差距，还要同时最小化下式：
$\sum\limits_{i=1}^3 (1+\sigma_i-(m_i)^2-e^{\sigma_i})$
与PixelRNN不同的是，VAE画出的图一般都是不太清晰的，但在某种程度上我们可以控制生成的图像

write poetry

VAE还可以用来写诗，我们只需要得到某两句话对应的code，然后在降维后的空间中得到这两个code所在点的连线，从中取样，并输入给Decoder，就可以得到类似下图中的效果

Why VAE?

VAE和传统的Autoencoder相比，有什么优势呢？

事实上，VAE就是加了噪声noise的Autoencoder，它的抗干扰能力更强，过渡生成能力也更强

对原先的Autoencoder来说，假设我们得到了满月和弦月的code，从两者连线中随机获取一个点并映射回原来的空间，得到的图像很可能是完全不一样的东西

而对VAE来说，它要保证在降维后的空间中，加了noise的一段范围内的所有点都能够映射到目标图像，如下图所示，当某个点既被要求映射到满月、又被要求映射到弦月，则它最终映射出来的结果就很有可能是两者之间的过渡图像

再回过来头看VAE的结构，其中：

$m_i$ 其实就代表原来的code
$c_i$ 则代表加了noise以后的code
$\sigma_i$ 代表了noise的variance，描述了noise的大小，这是由NN学习到的参数

注：使用 $e^{\sigma_i}$ 的目的是保证variance是正的
$e_i$ 是正态分布中随机采样的点

注意到，损失函数仅仅让input和output差距最小是不够的，因为variance是由机器自己决定的，如果不加以约束，它自然会去让variance=0，这就跟普通的Autoencoder没有区别了

额外加的限制函数解释如下：

下图中，蓝线表示 $e^{\sigma_i}$ ，红线表示 $1+\sigma_i$ ，两者相减得到绿线

绿线的最低点 $\sigma_i=0$ ，则variance $e^{\sigma_i}=1$ ，此时loss最低

而 $m_i)^2$ 项则是对code的L2 regularization，让它比较sparse，不容易过拟合

关于VAE原理的具体推导比较复杂，这里不再列出

problems of VAE

VAE有一个缺点，它只是在努力做到让生成的图像与数据集里的图像尽可能相似，却从来没有想过怎么样真的产生一张新的图像，因此由VAE生成的图像大多是数据集中图像的线性变化，而很难自主生成全新的图像

VAE做到的只是模仿，而不是创造，GAN的诞生，就是为了创造

GAN

GAN，对抗生成网络，是近两年非常流行的神经网络，基本思想就像是天敌之间相互竞争，相互进步

GAN由生成器(Generator)和判别器(Discriminator)组成：

对判别器的训练：把生成器产生的图像标记为0，真实图像标记为1，丢给判别器训练分类
对生成器的训练：调整生成器的参数，使产生的图像能够骗过判别器
每次训练调整判别器或生成器参数的时候，都要固定住另一个的参数

GAN的问题：没有明确的训练目标，很难调整生成器和判别器的参数使之始终处于势均力敌的状态，当两者之间的loss很小的时候，并不意味着训练结果是好的，有可能它们两个一起走向了一个坏的极端，所以在训练的同时还必须要有人在旁边关注着训练的情况

以后将会有GAN系列的文章介绍，本文不再做详细说明