當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

WGAN-div：默默无闻的WGAN填坑者 | 附开源代码

發(fā)布時間：2024/10/8 编程问答 29 豆豆

生活随笔收集整理的這篇文章主要介紹了 WGAN-div：默默无闻的WGAN填坑者 | 附开源代码小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

作者丨蘇劍林

單位丨廣州火焰信息科技有限公司

研究方向丨NLP，神經(jīng)網(wǎng)絡(luò)

個人主頁丨kexue.fm

今天我們來談一下 Wasserstein 散度，簡稱“W 散度”。注意，這跟 Wasserstein 距離（Wasserstein distance，簡稱“W 距離”，又叫 Wasserstein 度量、Wasserstein metric）是不同的兩個東西。?

本文源于論文 Wasserstein Divergence for GANs，論文中提出了稱為 WGAN-div 的 GAN 訓(xùn)練方案。

這是一篇我很是欣賞卻默默無聞的 paper，我只是找文獻(xiàn)時偶然碰到了它。不管英文還是中文界，它似乎都沒有流行起來，但是我感覺它是一個相當(dāng)漂亮的結(jié)果。

▲?WGAN-div的部分樣本（2w iter）

如果讀者需要入門一下 WGAN 的相關(guān)知識，不妨請閱讀拙作互懟的藝術(shù)：從零直達(dá) WGAN-GP。

WGAN

我們知道原始的 GAN（SGAN）會有可能存在梯度消失的問題，因此 WGAN 橫空出世了。

W距離

WGAN 引入了最優(yōu)傳輸里邊的 W 距離來度量兩個分布的距離：?

這里的 p?(x) 是真實樣本的分布，q(x) 是偽造分布，c(x,y) 是傳輸成本，論文中用的是 c(x,y)=‖x?y‖；而 γ∈Π(p?(x),q(x)) 的意思是說：γ 是任意關(guān)于 x,y 的二元分布，其邊緣分布則為 p?(x) 和 q(y)。

直觀來看，γ 描述了一個運輸方案，而 c(x,y) 則是運輸成本，Wc(p?(x),q(x)) 就是說要找到成本最低的那個運輸方案所對應(yīng)的成本作為分布度量。

對偶問題

W 距離確實是一個很好的度量，但顯然不好算。當(dāng) c(x,y)=‖x?y‖ 時，我們可以將其轉(zhuǎn)化為對偶問題：

其中 T(x) 是一個標(biāo)量函數(shù)，‖T‖L 則是 Lipschitz 范數(shù)：

說白了，T(x) 要滿足：

生成模型

這樣一來，生成模型的訓(xùn)練，可以作為 W 距離下的一個最小-最大問題：

第一個 arg max 試圖獲得 W 距離的近似表達(dá)式，而第二個 arg min 則試圖最小化 W 距離。

然而，T 不是任意的，需要滿足 ‖T‖L≤1，這稱為 Lipschitz 約束（L 約束），該怎么施加這個約束呢？因此，一方面，WGAN 開創(chuàng)了 GAN 的一個新流派，使得 GAN 的理論上了一個新高度，另一方面，WGAN 也挖了一個關(guān)于 L 約束的大坑，這個坑也引得不少研究者前仆后繼地跳坑。

L約束

目前，往模型中加入 L 約束，有三種主要的方案。

權(quán)重裁剪

這是 WGAN 最原始的論文所提出的一種方案：在每一步的判別器的梯度下降后，將判別器的參數(shù)的絕對值裁剪到不超過某個固定常數(shù)。?

這是一種非常樸素的做法，現(xiàn)在基本上已經(jīng)不用了。其思想就是：L 約束本質(zhì)上就是要網(wǎng)絡(luò)的波動程度不能超過一個線性函數(shù)，而激活函數(shù)通常都滿足這個條件，所以只需要考慮網(wǎng)絡(luò)權(quán)重，最簡單的一種方案就是直接限制權(quán)重范圍，這樣就不會抖動太劇烈了。?

梯度懲罰

這種思路非常直接，即 ‖T‖L≤1 可以由 ‖?T‖≤1 來保證，所以干脆把判別器的梯度作為一個懲罰項加入到判別器的 loss 中：

但問題是我們要求 ‖T‖L≤1 是在每一處都成立，所以 r(x) 應(yīng)該是全空間的均勻分布才行，顯然這很難做到。所以作者采用了一個非常機智（也有點流氓）的做法：在真假樣本之間隨機插值來懲罰，這樣保證真假樣本之間的過渡區(qū)域滿足 L 約束。

這種方案就是 WGAN-GP。顯然，它比權(quán)重裁剪要高明一些，而且通常都 work 得很好。但是這種方案是一種經(jīng)驗方案，沒有更完備的理論支撐。

譜歸一化

另一種實現(xiàn) L 約束的方案就是譜歸一化（SN），可以參考我之前寫的文章深度學(xué)習(xí)中的Lipschitz約束：泛化與生成模型。?

本質(zhì)上來說，譜歸一化和權(quán)重裁剪都是同一類方案，只是譜歸一化的理論更完備，結(jié)果更加松弛。而且還有一點不同的是：權(quán)重裁剪是一種“事后”的處理方案，也就是每次梯度下降后才直接裁剪參數(shù)，這種處理方案本身就可能導(dǎo)致優(yōu)化上的不穩(wěn)定；譜歸一化是一種“事前”的處理方案，它直接將每一層的權(quán)重都譜歸一化后才進(jìn)行運算，譜歸一化作為了模型的一部分，更加合理一些。?

盡管譜歸一化更加高明，但是它跟權(quán)重裁剪一樣存在一個問題：把判別器限制在了一小簇函數(shù)之間。也就是說，加了譜歸一化的 T，只是所有滿足 L 約束的函數(shù)的一小部分。因為譜歸一化事實上要求網(wǎng)絡(luò)的每一層都滿足 L 約束，但這個條件太死了，也許這一層可以不滿足 L 約束，下一層則滿足更強的 L 約束，兩者抵消，整體就滿足 L 約束，但譜歸一化不能適應(yīng)這種情況。

WGAN-div

在這種情況下，Wasserstein Divergence for GANs 引入了 W 散度，它聲稱：現(xiàn)在我們可以去掉 L 約束了，并且還保留了 W 距離的好性質(zhì)。

論文回顧

有這樣的好事？我們來看看 W 散度是什么。一上來，作者先回顧了一些經(jīng)典的 GAN 的訓(xùn)練方案，然后隨手扔出一篇文獻(xiàn)，叫做 Partial differential equations and monge-kantorovich mass transfer [1]，里邊提供了一個方案（下面的出場順序跟論文有所不同），能直接將 T 訓(xùn)練出來，目標(biāo)是（跟原文的寫法有些不一樣）：

這里的 r(x) 是一個非常寬松的分布，我們后面再細(xì)談。整個 loss 的意思是：你只要按照這個公式將 T 訓(xùn)練出來，它就是 (2) 式中 T 的最優(yōu)解，也就是說，接下來只要把它代進(jìn) (2) 式，就得到了 W 距離，最小化它就可以得到生成器了。

一些注解

首先，我為什么說作者“隨手”跑出一篇論文呢？因為作者確實是隨手啊……?

作者直接說“According to [19]”，然后就給出了后面的結(jié)果，[19] 就是這篇論文，是一篇最優(yōu)傳輸和偏微分方程的論文，59 頁。我翻來翻去，才發(fā)現(xiàn)作者引用的應(yīng)該是 36 頁和 40 頁的結(jié)果（不過翻到了也沒能進(jìn)一步看懂，放棄了），也不提供多一點參考資料，尷尬。

還有后面的一些引理，作者也說“直接去看 [19] 的 discussion 吧”..... 然后，讀者更多的疑問是：這玩意跟梯度懲罰方案有什么差別，加個負(fù)號變成最小化不都是差不多嗎？

做實驗時也許沒有多大差別，但是理論上的差別是很大的，因為 WGAN-GP 的梯度懲罰只能算是一種經(jīng)驗方案，而 (7) 式是有理論保證的。后面我們會繼續(xù)講完它。

W散度

式 (7) 是一個理論結(jié)果，而不管怎樣深度學(xué)習(xí)還是一門理論和工程結(jié)合的學(xué)科，所以作者一般化地考慮了下面的目標(biāo)：

其中 k>0,p>1。基于此，作者證明了 Wk,p 有非常好的性質(zhì)：

1. Wk,p 是個對稱的散度。散度的意思是：D[P,Q]≥0 且 D[P,Q]=0?P=Q，它跟“距離”的差別是它不滿足三角不等式，也有叫做“半度量”、“半距離”的。Wk,p 是一個散度，這已經(jīng)非常棒了，因為我們大多數(shù) GAN 都只是在優(yōu)化某個散度而已。散度意味著當(dāng)我們最小化它時，我們真正是在縮小兩個分布的距離。

2. Wk,p 的最優(yōu)解跟 W 距離有一定的聯(lián)系。(7) 式就是一個特殊的 W1/2,2。這說明當(dāng)我們最大化 Wk,p 得到 T 之后，可以去掉梯度項，通過最小化 (8) 來訓(xùn)練生成器。這也表明以 Wk,p 為目標(biāo)，性質(zhì)跟 W 距離類似，不會有梯度消失的問題。

3. 這是我覺得最逗的一點，作者證明了：

不總是一個散度。當(dāng) n=1,p=2 時這就是 WGAN-GP 的梯度懲罰，作者說它不是一個散度，明擺著要跟 WGAN-GP 對著干。不是散度意味著 WGAN-GP 在訓(xùn)練判別器的時候，并非總是會在拉大兩個分布的距離（鑒別者在偷懶，沒有好好提升自己的鑒別技能），從而使得訓(xùn)練生成器時回傳的梯度不準(zhǔn)。

WGAN-div

好了，說了這么久，終于可以引入 WGAN-div 了，其實就是基于 (9) 的 WGAN 的訓(xùn)練模式了：

前者是為了通過 W 散度 Wk,p 找出 W 距離中最優(yōu)的 T，后者就是為了最小化 W 距離。所以，W 散度的角色，就是一個為 W 距離的默默無聞的填坑者，再結(jié)合這篇論文本身的鮮有反響，我覺得這種感覺更加強烈了。

實驗

k,p的選擇

作者通過做了一批搜索實驗，發(fā)現(xiàn) k=2,p=6 時效果最好（用 FID 為指標(biāo)）。這進(jìn)一步與 WGAN-GP 的做法有出入：范數(shù)的二次冪并非是最好的選擇。

▲?不同的k,p對FID的影響（FID越小越好）

r(x)的選擇

前面我們就說過，W 散度中對 r(x) 的要求非常寬松，論文也做了一組對比實驗，對比了常見的做法：

真假樣本隨機插值
真樣本之間隨機插值、假樣本之間隨機插值
真假樣本混合后，隨機選兩個樣本插值
直接選原始的真假樣本混合
直接只選原始的假樣本
直接只選原始的真樣本

結(jié)果發(fā)現(xiàn)，在 WGAN-div 之下這幾種做法表現(xiàn)都差不多（用 FID 為指標(biāo)），但是對于 WGAN-GP，這幾種做法差別比較大，而且 WGAN-GP 中最好的結(jié)果比 WGAN-div 中最差的結(jié)果還要差。這時候 WGAN-GP 就被徹底虐倒了。

▲?不同采樣方式所導(dǎo)致的不同模型的FID不同差異（FID越小越好）

這里邊的差別不難解釋，WGAN-GP 是憑經(jīng)驗加上梯度懲罰，并且“真假樣本隨機插值”只是它無法做到全空間采樣的一個折衷做法，但是 W 散度和 WGAN-div，從理論的開始，就沒對 r(x) 有什么嚴(yán)格的限制。

其實，原始 W 散度的構(gòu)造（這個需要看參考論文）基本上只要求 r(x) 是一個樣本空間跟 p?(x)、q(x) 一樣的分布，非常弱的要求，而我們一般選擇為 p?(x)、q(x) 兩者共同衍生出來的分布，相對來說收斂快一點。

參考代碼

自然是用 Keras 寫的，人生苦短，我用 Keras。

https://github.com/bojone/gan/blob/master/keras/wgan_div_celeba.py

隨機樣本（自己的實驗結(jié)果）：

▲?WGAN-div的部分樣本（2w iter）

當(dāng)然，原論文的實驗結(jié)果也表明 WGAN-div 是很優(yōu)秀的：

▲?WGAN-div與不同的模型在不同的數(shù)據(jù)集效果比較（指標(biāo)為FID，越小越好）

結(jié)語

不知道業(yè)界是怎么看這篇 WGAN-div 的，也許是覺得跟 WGAN-GP 沒什么不同，就覺得沒有什么意思了。不過我是很佩服這些從理論上推導(dǎo)并且改進(jìn)原始結(jié)果的大牛及其成果。雖然看起來像是隨手甩了一篇論文然后說“你看著辦吧”的感覺，但這種將理論和實踐結(jié)合起來的結(jié)果仍然是很有美感的。

本來我對 WGAN-GP 是多少有些芥蒂的，總覺得它太丑，不想用。但是 WGAN-div 出現(xiàn)了，在我心中已經(jīng)替代了 WGAN-GP，并且它不再丑了。

生活随笔