大數(shù)據(jù)文摘作品，轉(zhuǎn)載要求見(jiàn)文末

作者 | FAIZAN SHAIKH

編譯 | 曹翔，寒小陽(yáng)，Aileen

神經(jīng)網(wǎng)絡(luò)取得了長(zhǎng)足的進(jìn)步，目前識(shí)別圖像和聲音的水平已經(jīng)和人類相當(dāng)，在自然語(yǔ)言理解方面也達(dá)到了很好的效果。但即使如此，討論用機(jī)器來(lái)自動(dòng)化人類任務(wù)看起來(lái)還是有些勉強(qiáng)。畢竟，我們做的不僅僅是識(shí)別圖像和聲音、或者了解我們周圍的人在說(shuō)什么，不是嗎？

讓我們看一些需要人類創(chuàng)造力的例子：

• 通過(guò)學(xué)習(xí)大數(shù)據(jù)文摘過(guò)去的文章，訓(xùn)練一個(gè)可以撰寫(xiě)文章并將數(shù)據(jù)科學(xué)概念以非常簡(jiǎn)單的方式向社區(qū)解釋的人工智能作者

• 你不能從著名畫(huà)家那里買(mǎi)到一幅名畫(huà)。但你可不可以創(chuàng)造一個(gè)人工智能畫(huà)家，通過(guò)從畫(huà)家過(guò)去的作品中學(xué)習(xí)，然后像任何藝術(shù)家一樣畫(huà)畫(huà)？

這些任務(wù)確實(shí)難以自動(dòng)化，但是生成式對(duì)抗網(wǎng)絡(luò)（GAN）已經(jīng)開(kāi)始使其中的某些任務(wù)成為可能。

如果你感到被GAN的名字所嚇倒，別擔(dān)心，看完這篇科普文章你就會(huì)發(fā)現(xiàn)這不是一個(gè)高深莫測(cè)的東西。

在本文中，我將向您介紹GAN的概念，并解釋其工作原理和面臨的挑戰(zhàn)。我還將讓你了解人們使用GAN所做的一些很酷的事情，并提供一些重要資源的鏈接，以深入了解這些技術(shù)。                                             

深度學(xué)習(xí)領(lǐng)域的杰出代表Yann LeCun在Quora上寫(xiě)道：

“生成式對(duì)抗網(wǎng)絡(luò)（GAN）及其相關(guān)的變化，是我認(rèn)為的機(jī)器學(xué)習(xí)領(lǐng)域近十年最有趣的想法?！?/span>

當(dāng)然他會(huì)有這樣的觀點(diǎn)。當(dāng)我看到生成式對(duì)抗網(wǎng)絡(luò)被最大程度執(zhí)行時(shí)的驚人表現(xiàn)，我也同樣印象深刻。

但是什么是GAN呢？

讓我用個(gè)類比來(lái)解釋這個(gè)概念：

如果你想更加擅長(zhǎng)某種東西，比如下棋，你會(huì)怎么做？你可能會(huì)和比你更強(qiáng)的對(duì)手對(duì)弈。你會(huì)分析你做錯(cuò)了什么、對(duì)方做對(duì)了什么，并思考下一場(chǎng)比賽如何才能擊敗他（她）。

你會(huì)重復(fù)這一步驟，直到你擊敗對(duì)手。這個(gè)概念可以被納入到構(gòu)建更好的模型中。所以簡(jiǎn)單來(lái)說(shuō)，要獲得一個(gè)強(qiáng)大的英雄（即生成器generator），我們需要一個(gè)更強(qiáng)大的對(duì)手（即鑒別器discriminator）。

真實(shí)生活的另一個(gè)類比：

一個(gè)更真實(shí)的類比是偽造者和調(diào)查員之間的關(guān)系。

偽造者的任務(wù)是模仿著名藝術(shù)家的畫(huà)作。如果這個(gè)偽造的作品能夠超越原始的作品，那么這個(gè)偽造者就可以賣出這張作品換很多錢(qián)。

另一方面，藝術(shù)品調(diào)查員的任務(wù)是抓住這些造假的偽造者。怎么做呢，他知道什么屬性能把原作和贗品區(qū)分開(kāi)來(lái)。通過(guò)檢驗(yàn)手中的作品是否是真的，他可以評(píng)估自己的知識(shí)。

偽造者與調(diào)查員的競(jìng)賽繼續(xù)進(jìn)行，最終催生了世界級(jí)的調(diào)查員（很不幸以及世界級(jí)的偽造者）。 這是一場(chǎng)善與惡之間的斗爭(zhēng)。

我們已經(jīng)知道了GAN的概要，現(xiàn)在繼續(xù)去了解細(xì)節(jié)部分。

正如我們看到的，GAN有兩個(gè)主要組成部分，生成器神經(jīng)網(wǎng)絡(luò)（Generator Neural Network）和鑒別器神經(jīng)網(wǎng)絡(luò)（Discriminator Neural Network）。

生成網(wǎng)絡(luò)采用隨機(jī)輸入，嘗試輸出數(shù)據(jù)樣本。在上述圖像中，我們可以看到生成器G(z)從p(z)獲取了輸入z，其中z是來(lái)自概率分布p(z)的樣本。生成器產(chǎn)生一個(gè)數(shù)據(jù)，將其送入鑒別器網(wǎng)絡(luò)D(x)。鑒別網(wǎng)絡(luò)的任務(wù)是接收真實(shí)數(shù)據(jù)或者生成數(shù)據(jù)，并嘗試預(yù)測(cè)輸入是真實(shí)還是生成的。它需要一個(gè)來(lái)自pdata(x)的輸入x，其中pdata(x)是我們的真實(shí)數(shù)據(jù)分布。 D(x)然后使用Sigmoid函數(shù)解決二元分類問(wèn)題，并輸出0到1的值。

我們先定義GAN的標(biāo)記符號(hào)：

• Pdata(x) -> 真實(shí)數(shù)據(jù)的分布

• X -> pdata(x)的樣本

• P(z) -> 生成器的分布

• Z -> p(z)的樣本

• G(z) -> 生成網(wǎng)絡(luò)

• D(x) -> 鑒別網(wǎng)絡(luò)

現(xiàn)在作為生成器和鑒別器之間的斗爭(zhēng)，GAN的訓(xùn)練已經(jīng)完成?？梢杂脭?shù)學(xué)表示為：

在我們的函數(shù)V(D,G)中，第一項(xiàng)是來(lái)自實(shí)際分布（pdata（x））的數(shù)據(jù)通過(guò)鑒別器（也稱為最佳情況）的熵（Entropy）。鑒別器試圖將其最大化為1。第二項(xiàng)是來(lái)自隨機(jī)輸入（p（z））的數(shù)據(jù)通過(guò)發(fā)生器的熵。生成器產(chǎn)生一個(gè)假樣本， 通過(guò)鑒別器識(shí)別虛假（也稱為最壞的情況）。在這一項(xiàng)中，鑒別器嘗試將其最大化為0（即生成的數(shù)據(jù)是偽造的的概率的對(duì)數(shù)是0）。所以總體而言，鑒別器正在嘗試最大化函數(shù)V(D,G)。

另一方面，生成器的任務(wù)完全相反，它試圖最小化函數(shù)V(D,G)，使真實(shí)數(shù)據(jù)和假數(shù)據(jù)之間的區(qū)別最小化。這就是說(shuō)，生成器和鑒別器像在玩貓和老鼠的游戲。

注意：這種訓(xùn)練GAN的方法源自于博弈論中的Minimax Game。

概括來(lái)講訓(xùn)練階段包括順序完成的兩個(gè)階段——

第一階段：訓(xùn)練鑒別器，凍結(jié)生成器（凍結(jié)意思是不訓(xùn)練，神經(jīng)網(wǎng)絡(luò)只向前傳播，不進(jìn)行Backpropagation反向傳播）

第二階段：訓(xùn)練生成器，凍結(jié)鑒別器。

第1步：定義問(wèn)題。你想生成假的圖像還是文字？你需要完全定義問(wèn)題并收集數(shù)據(jù)。

第2步：定義GAN的架構(gòu)。GAN看起來(lái)是怎么樣的，生成器和鑒別器應(yīng)該是多層感知器還是卷積神經(jīng)網(wǎng)絡(luò)？這一步取決于你要解決的問(wèn)題。

第3步：用真實(shí)數(shù)據(jù)訓(xùn)練鑒別器N個(gè)epoch。訓(xùn)練鑒別器正確預(yù)測(cè)真實(shí)數(shù)據(jù)為真。這里N可以設(shè)置為1到無(wú)窮大之間的任意自然數(shù)。

第4步：用生成器產(chǎn)生假的輸入數(shù)據(jù)，用來(lái)訓(xùn)練鑒別器。訓(xùn)練鑒別器正確預(yù)測(cè)假的數(shù)據(jù)為假。

第5步：用鑒別器的出入訓(xùn)練生成器。當(dāng)鑒別器被訓(xùn)練后，將其預(yù)測(cè)值作為標(biāo)記來(lái)訓(xùn)練生成器。訓(xùn)練生成器來(lái)迷惑鑒別器。

第6步：重復(fù)第3到第5步多個(gè)epoch

第7步：手動(dòng)檢查假數(shù)據(jù)是否合理。如果看起來(lái)合適就停止訓(xùn)練，否則回到第3步。這是一個(gè)手動(dòng)任務(wù)，手動(dòng)評(píng)估數(shù)據(jù)是檢查其假冒程度的最佳方式。當(dāng)這個(gè)步驟結(jié)束時(shí)，就可以評(píng)估GAN是否表現(xiàn)良好。 

喘口氣，看一下這項(xiàng)技術(shù)有什么樣的含義。假設(shè)你有一個(gè)功能完整的生成器，可以復(fù)制幾乎任何東西。給你一些例子，你可以生成假新聞、不可思議的書(shū)籍和小說(shuō)、自動(dòng)應(yīng)答服務(wù)等等。你可以擁有一個(gè)近乎現(xiàn)實(shí)的人工智能，一個(gè)真正的人工智能！這就是夢(mèng)想。

你可能會(huì)問(wèn)，如果我們知道這些美麗的生物（怪物）能做什么，為什么現(xiàn)在什么也沒(méi)發(fā)生？這是因?yàn)槲覀冞€僅僅只接觸到它的表面。在創(chuàng)造一個(gè)足夠好的GAN的過(guò)程中有太多的障礙還沒(méi)有清除。有一整個(gè)學(xué)術(shù)領(lǐng)域就是為了找出如何訓(xùn)練GAN。

訓(xùn)練GAN時(shí)最重要的障礙是穩(wěn)定。你開(kāi)始訓(xùn)練GAN，如果鑒別器比與其對(duì)應(yīng)的發(fā)生器更強(qiáng)大，則發(fā)生器將無(wú)法有效訓(xùn)練。這反過(guò)來(lái)又會(huì)影響你的GAN的訓(xùn)練。另一方面，如果鑒別器過(guò)于寬松，理論上它可以允許生成器產(chǎn)生任何圖像。這意味著你的GAN是無(wú)用的。

瀏覽GAN的穩(wěn)定性的另一種方法是將其看做一個(gè)整體收斂的問(wèn)題。生成器和鑒別器都是相互競(jìng)爭(zhēng)的，力求領(lǐng)先對(duì)方一步。此外，他們依賴彼此進(jìn)行有效的培訓(xùn)。如果其中一個(gè)失敗，整個(gè)系統(tǒng)就會(huì)失敗。所以你必須確保它們不會(huì)崩掉。

這就像波斯王子游戲中的影子一樣。你必須保衛(wèi)自己免受影子的襲擊，它試圖殺死你。如果你殺死你的影子，你會(huì)死；但如果你不做任何事情，你也一定會(huì)死！

關(guān)于其他的問(wèn)題，請(qǐng)參考http://www./slides/2016-12-04-NIPS.pdf

注意：下面提到的圖像是由ImageNet數(shù)據(jù)集訓(xùn)練的GAN生成的。

• 計(jì)數(shù)問(wèn)題：GAN無(wú)法區(qū)分特定對(duì)象在某個(gè)位置應(yīng)發(fā)生的數(shù)量。正如我們?cè)谙旅婵吹降?，它在頭上生成的眼睛個(gè)數(shù)比自然狀態(tài)更多。

• 透視問(wèn)題：GAN無(wú)法適應(yīng)3D對(duì)象。它不理解視角，即前視圖和后視圖之間的差異。如下所示，它給出3D對(duì)象的平面（2D）展開(kāi)。

• 全局結(jié)構(gòu)問(wèn)題：與透視問(wèn)題相同，GAN不了解整體結(jié)構(gòu)。例如，在左下角的圖像中，它給出了一只四足牛的生成圖像，即母牛站立在其后腿上，同時(shí)又站立在所有四條腿上。這在現(xiàn)實(shí)中絕對(duì)不可能！

大量的研究正被用來(lái)處理這些問(wèn)題。很多比過(guò)去擁有更好結(jié)果的新模型被提出，比如DCGAN, WassersteinGan。

讓我們實(shí)現(xiàn)一個(gè)簡(jiǎn)化的GAN來(lái)加強(qiáng)理論。我們將嘗試通過(guò)在Identify the Digits數(shù)據(jù)集上訓(xùn)練GAN來(lái)生成數(shù)字。數(shù)據(jù)集包含了28x28的黑白圖像，所有圖像都是“.png”格式。我們的任務(wù)中只需要訓(xùn)練集。你可以在這里下載到數(shù)據(jù): https://datahack./contest/practice-problem-identify-the-digits/。

你需要安裝一些Python的包：

• numpy

• pandas

• tensorflow

• keras

• keras_adversarial

在開(kāi)始編寫(xiě)代碼之前，讓我們先了解內(nèi)部工作的原理，訓(xùn)練GAN的偽代碼如下：

來(lái)源: http://papers./paper/5423-generative-adversarial

注意：這是在論文中發(fā)表的GAN的第一個(gè)實(shí)現(xiàn)。在最近論文的偽碼中可以看到許多改進(jìn)和更新，例如在生成和鑒別網(wǎng)絡(luò)中添加批量歸一化（Batch Normalization），訓(xùn)練生成器k等。 

現(xiàn)在開(kāi)始寫(xiě)代碼！

首先導(dǎo)入所有模塊。

為了讓確定性的隨機(jī)可復(fù)現(xiàn)，設(shè)置一個(gè)Seed值。

設(shè)置數(shù)據(jù)和工作目錄的路徑。

加載數(shù)據(jù)。

我們繪制一個(gè)圖形看看數(shù)據(jù)是什么樣的。

定義稍后將要使用的變量。

# define variables

# define vars g_input_shape = 100 d_input_shape = (28, 28) hidden_1_num_units = 500 hidden_2_num_units = 500 g_output_num_units = 784 d_output_num_units = 1 epochs = 25 batch_size = 128

現(xiàn)在定義生成網(wǎng)絡(luò)和鑒別網(wǎng)絡(luò)。

這里是我們神經(jīng)網(wǎng)絡(luò)的架構(gòu)。

我們現(xiàn)在定義GAN。首先導(dǎo)入一些重要模塊。

編譯GAN并開(kāi)始訓(xùn)練。

這是我們的GAN的樣子。

我們訓(xùn)練10個(gè)Epoch后得到的圖表。

訓(xùn)練100個(gè)Epoch后，生成的圖像如下。

瞧！你已經(jīng)建立了你的第一個(gè)生成模型！

我們了解了這些事情的工作原理，以及訓(xùn)練過(guò)程中的挑戰(zhàn)。我們現(xiàn)在將要看到使用GAN完成的前沿研究。

• 預(yù)測(cè)視頻中的下一幀：在視頻序列上訓(xùn)練GAN，并預(yù)測(cè)下一步會(huì)發(fā)生什么

論文 : https:///pdf/1511.06380.pdf

• 增加圖像分辨率：從較低分辨率照片生成高分辨率照片

論文：https:///pdf/1609.04802.pdf

• 交互式圖像生成：繪制簡(jiǎn)單的筆畫(huà)，讓GAN為你畫(huà)出令人印象深刻的圖畫(huà)

鏈接: https://github.com/junyanz/iGAN

• 圖像翻譯：從一個(gè)圖像生成另一個(gè)圖像。例如，左邊給出了帶標(biāo)簽的街景，你可以用GAN生成真實(shí)的照片。在右邊，給出簡(jiǎn)單的手提包繪畫(huà)草稿，你會(huì)得到真正的手提包。

論文: https:///pdf/1611.07004.pdf

• 文本到圖像生成：只需向GAN說(shuō)你想看到什么，就可以獲得一個(gè)所描述物體的真實(shí)照片。

論文: https:///pdf/1605.05396.pdf

這里有一些資源可以幫助你更深入地了解GAN：

• 關(guān)于GAN的論文：https://github.com/zhangqianhui/AdversarialNetsPapers

• DeepLearning書(shū)中的有關(guān)章節(jié)：http://www./contents/generative_models.html

• Ian Goodfellow關(guān)于GAN的講座：https://channel9./Events/Neural-Information-Processing-Systems-Conference/Neural-Information-Processing-Systems-Conference-NIPS-2016/Generative-Adversarial-Networks

• NIPS 2016關(guān)于訓(xùn)練GAN的講座：https://www./playlist?list=PLJscN9YDD1buxCitmej1pjJkR5PMhenTF

我希望你現(xiàn)在對(duì)未來(lái)感到興奮，就像我第一次讀到GAN時(shí)一樣。它們將改變機(jī)器能為人類所做的事。想想吧，從準(zhǔn)備新的食譜到創(chuàng)造圖畫(huà)，GAN擁有無(wú)限的可能性。

 原文鏈接：https://www./blog/2017/06/introductory-generative-adversarial-networks-gans/

2017年7月《頂級(jí)數(shù)據(jù)團(tuán)隊(duì)建設(shè)全景報(bào)告》下載