WGAN-GP又称为具有梯度惩罚的WGAN,一般可以替代WGAN
实际训练中,GAN存在训练困难、生成器和判别器的loss无法指示训练过程、生成样本缺乏多样性等问题。这与GAN的机制有关。
GAN最终达到对抗的纳什均衡只是一个理想状态,而实际情况中得到的结果都是中间状态。大部分情况是,随着训练的次数越多判别器D的效果越好,一直可以将生成器G的输出和真实样本区分开。
这是因为生成器G是从低维向高位空间映射,其生成的样本分布空间Pg难以充满整个真实样本的分布空间Pr。两个分布没有重叠的部分。
这样会导致什么后果呢?如果D训练的很好,G的loss这无法训练到最下值,梯度消失,最后只会无限接近log2,相当于Pg和Pr的距离;而D训练的不好时,会导致生成器的梯度不准,loss到处跑。
WGAN的思想是将生成的模拟样本分布Pg和原始样本分布Pr组合起来,当成所有可能的联合分布集合。然后可以从中采样得到真实样本与模拟样本,并能够计算二者的距离,还可以算出距离的期望值。这样就可以通过训练,让网络在所有可能的联合分布中对这个期望值取下界的方向优化,也就是将两个分布的集合拉到一起。这样原来的判别器就不再是判别真伪的功能,而是计算两个分布集合距离的功能。所以称为评论器更加合适,sigmod会影响结果,需要去掉。
为了实现计算Wassertein距离的功能,将这部分交给神经网络去拟合。
∣ f ( x 1 ) − f ( x 2 ) ∣ ≤ k ∣ x 1 − x 2 ∣ |f(x_1)-f(x_2)|\le k|x_1-x_2\ | ∣f(x1)−f(x2)∣≤k∣x1−x2 ∣
f ( x ) f(x) f(x)可以理解为神经网络的计算,让判别器实现将 f ( x 1 ) f(x_1) f(x1)和 f ( x 2 ) f(x_2) f(x2)的距离变换成 x 1 − x 2 x_1-x_2 x1−x2的绝对值×k。k代表f(x)的Lipschitz常数,这样两个分布集合的距离就可以表示成D(real)-D(G(x))的绝对值×k,这个k可以理解为梯度,即在神经网络分f(x)中x的梯度绝对值会小于k。
将k忽略整理后可以得到二者分布的式子。
L = D ( r e a l ) − D ( G ( x ) ) L=D(real)-D(G(x)) L=D(real)−D(G(x))
现在要做的就是将L当做目标来计算loss,G将希望生成的结果Pg越来越接近Pr,所以希望通过训练让距离L最小化。因为G与第一项无关,所以G的loss可以简写为。
G ( l o s s ) = − D ( G ( x ) ) G(loss)=-D(G(x)) G(loss)=−D(G(x))
而D的任务是区分它们,所以希望二者距离变大,所以loss取反。
D ( l o s s ) = D ( G ( x ) ) − D ( r e a l ) D(loss)=D(G(x))-D(real) D(loss)=D(G(x))−D(real)
同样,通过D的loss值也看出G的生成质量,即loss越小代表距离越小,生成的质量越高。
而对于前面的梯度限制,WGAN直接使用截断的方式,后来升级为WGAN-GP。
real_X = tf.placeholder(tf.float32, shape=[batch_size, mnist_dim])
random_X = tf.placeholder(tf.float32, shape=[batch_size, random_dim])
# 生成的模拟数据
random_Y = G(random_X)
D_loss = tf.reduce_mean(D(random_Y)) -tf.reduce_mean(D(real_X))
G_loss = -tf.reduce_mean(D(random_Y))
截断方法指每次更新完判别器参数之后,检查判别器的所有参数的绝对值有没有超过阀值,比如0.01,如果有就把它截断回[-0.01,0.01]内。
在判别器中,希望loss尽可能的大,才能来打真假样本的区别,这样会导致在判别器中通过loss计算梯度会沿着loss越来越大的方向变化,然而经过截断后,每个网络参数又被独立的限制了取值范围。这种结果使得所有参数走向极端,要么取最大值如0.01,要么取最下值(如-0.01),判别器没能充分利用自身的模型能力,经过它传给生成器的梯度也会跟着变差。
WGAN-GP中的GP是梯度惩罚的意思,采用梯度惩罚项,来代替WGAN的截取。
N o r m = t f . g r a d i e n t s ( D ( X i n t e r ) , [ X i n t e r ] ) Norm=tf.gradients\left(D\left(X_inter\right),\left[X_in t e r\right]\right) Norm=tf.gradients(D(Xinter),[Xinter])
g r a d p e n = M S E ( N o r m − k ) grad_pen=MSE(Norm-k) gradpen=MSE(Norm−k)
MSE为平方差公式,X_inter为整个联合分布的x取样,即梯度惩罚想grad_pne为求整个联合分布空间的x对应D的梯度与k的平方差。
判别器尽可能的拉大真假样本的分数差距,希望梯度越大越好,变化幅度越大越好,所以判别器在充分训练之后,其梯度Norm就会k附近。因此可以将上面的loss改成使梯度接近k(k可以是任意的值),将k定义为1,再跟WGAN原来的判别器的loss加权合并,得到新的判别器。
L = D ( r e a l ) − D ( G ( x ) ) + λ × g r a d p e n L=D(real)-D(G(x))+\lambda\times grad_pen L=D(real)−D(G(x))+λ×gradpen
eps = tf.random_uniform([batch_size, 1], minval=0., maxval=1.) #随机数
X_inter = eps*real_X + (1. - eps)*random_Y #联合分布x取样
grad = tf.gradients(D(X_inter), [X_inter])[0] #对X_inter取梯度
grad_norm = tf.sqrt(tf.reduce_sum((grad)**2, axis=1))
grad_pen = 10 * tf.reduce_mean(tf.nn.relu(grad_norm - 1.)) #取与k(1)的平方差
通过使用WGAN-GP网络学习MNIST数据特征,并生成以假乱真的MNIST数据集
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
import numpy as np
from scipy import misc,ndimage
import tensorflow.contrib.slim as slim
mnist = input_data.read_data_sets("/data/", one_hot=True)
网络的复杂部分都在loss方面,所以生成器G和判别器D就会相对简单点,各有3个全连接层。生成器最终输出与MNIST图片相同维度的数据最为模拟样本。判别器的输出就不在需要有激活函数,输出维度为1的数值表示其结果。
def G(x):
reuse = len([t for t in tf.global_variables() if t.name.startswith('generator')]) > 0
with tf.variable_scope('generator', reuse = reuse):
x = slim.fully_connected(x, 32,activation_fn = tf.nn.relu)
x = slim.fully_connected(x, 128,activation_fn = tf.nn.relu)
x = slim.fully_connected(x, mnist_dim,activation_fn = tf.nn.sigmoid)
return x
def D(X):
reuse = len([t for t in tf.global_variables() if t.name.startswith('discriminator')]) > 0
with tf.variable_scope('discriminator', reuse=reuse):
X = slim.fully_connected(X, 128,activation_fn = tf.nn.relu)
X = slim.fully_connected(X, 32,activation_fn = tf.nn.relu)
X = slim.fully_connected(X, 1,activation_fn = None)
return X
生成的模拟数据为random_Y,与前面所描述的一致;生成器的loss为-D(random_Y);而判别器的loss为D(random_Y)-D(real_X)再加上一个联合分布样本梯度惩罚项grad_pen;惩罚项的采样X_inter由一部分Pg分布和一部分Pr分布组成。同时对D(X_inter)求梯度得到grad_pen.
real_X = tf.placeholder(tf.float32, shape=[batch_size, mnist_dim])
random_X = tf.placeholder(tf.float32, shape=[batch_size, random_dim])
# 生成的模拟数据
random_Y = G(random_X)
eps = tf.random_uniform([batch_size, 1], minval=0., maxval=1.) #随机数
X_inter = eps*real_X + (1. - eps)*random_Y #联合分布x取样
grad = tf.gradients(D(X_inter), [X_inter])[0] #对X_inter取梯度
grad_norm = tf.sqrt(tf.reduce_sum((grad)**2, axis=1))
grad_pen = 10 * tf.reduce_mean(tf.nn.relu(grad_norm - 1.)) #取与k(1)的平方差
D_loss = tf.reduce_mean(D(random_Y)) -tf.reduce_mean(D(real_X)) + grad_pen
G_loss = -tf.reduce_mean(D(random_Y))
# 获得各个网络中各自的训练参数
t_vars = tf.trainable_variables()
d_vars = [var for var in t_vars if 'discriminator' in var.name]
g_vars = [var for var in t_vars if 'generator' in var.name]
print(len(t_vars),len(d_vars))
D_solver = tf.train.AdamOptimizer(1e-4, 0.5).minimize(D_loss, var_list=d_vars)
G_solver = tf.train.AdamOptimizer(1e-4, 0.5).minimize(G_loss, var_list=g_vars)
training_epochs =100
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
if not os.path.exists('out/'):
os.makedirs('out/')
for epoch in range(training_epochs):
total_batch = int(mnist.train.num_examples/batch_size)
# 遍历全部数据集
for e in range(total_batch):
for i in range(5):
real_batch_X,_ = mnist.train.next_batch(batch_size)
random_batch_X = np.random.uniform(-1, 1, (batch_size, random_dim))
_,D_loss_ = sess.run([D_solver,D_loss], feed_dict={
real_X:real_batch_X, random_X:random_batch_X})
random_batch_X = np.random.uniform(-1, 1, (batch_size, random_dim))
_,G_loss_ = sess.run([G_solver,G_loss], feed_dict={
random_X:random_batch_X})
if epoch % 10 == 0:
print ('epoch %s, D_loss: %s, G_loss: %s'%(epoch, D_loss_, G_loss_))
n_rows = 6
check_imgs = sess.run(random_Y, feed_dict={
random_X:random_batch_X}).reshape((batch_size, width, height))[:n_rows*n_rows]
imgs = np.ones((width*n_rows+5*n_rows+5, height*n_rows+5*n_rows+5))
#print(np.shape(imgs))#(203, 203)
for i in range(n_rows*n_rows):
num1 = (i%n_rows)
num2 = np.int32(i/n_rows)
imgs[5+5*num1+width*num1:5+5*num1+width+width*num1, 5+5*num2+height*num2:5+5*num2+height+height*num2] = check_imgs[i]
misc.imsave('out/%s.png'%(epoch/10), imgs)
print("完成!")
在会话优先让判别器学习次数多一些,让判别器每次训练5次,生成器优化一次,WGAN-GP不会因为判别器准确度太高而引起生成器梯度消失的问题,好的判别器只会让生成器有更好的模拟效果。
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数