|
大數(shù)據(jù)文摘作品，轉(zhuǎn)載要求見文末 作者 | FAIZAN SHAIKH 編譯 | 曹翔，寒小陽，Aileen 神經(jīng)網(wǎng)絡(luò)取得了長足的進步，目前識別圖像和聲音的水平已經(jīng)和人類相當(dāng)，在自然語言理解方面也達到了很好的效果。但即使如此，討論用機器來自動化人類任務(wù)看起來還是有些勉強。畢竟，我們做的不僅僅是識別圖像和聲音、或者了解我們周圍的人在說什么，不是嗎？ 讓我們看一些需要人類創(chuàng)造力的例子：
這些任務(wù)確實難以自動化，但是生成式對抗網(wǎng)絡(luò)（GAN）已經(jīng)開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發(fā)現(xiàn)這不是一個高深莫測的東西。 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)。 不好意思，但是什么是GAN？ 深度學(xué)習(xí)領(lǐng)域的杰出代表Yann LeCun在Quora上寫道： “生成式對抗網(wǎng)絡(luò)（GAN）及其相關(guān)的變化，是我認為的機器學(xué)習(xí)領(lǐng)域近十年最有趣的想法?！?/span> 當(dāng)然他會有這樣的觀點。當(dāng)我看到生成式對抗網(wǎng)絡(luò)被最大程度執(zhí)行時的驚人表現(xiàn)，我也同樣印象深刻。 但是什么是GAN呢？ 讓我用個類比來解釋這個概念： 如果你想更加擅長某種東西，比如下棋，你會怎么做？你可能會和比你更強的對手對弈。你會分析你做錯了什么、對方做對了什么，并思考下一場比賽如何才能擊敗他（她）。 你會重復(fù)這一步驟，直到你擊敗對手。這個概念可以被納入到構(gòu)建更好的模型中。所以簡單來說，要獲得一個強大的英雄（即生成器generator），我們需要一個更強大的對手（即鑒別器discriminator）。 真實生活的另一個類比： 一個更真實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)家的畫作。如果這個偽造的作品能夠超越原始的作品，那么這個偽造者就可以賣出這張作品換很多錢。 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)分開來。通過檢驗手中的作品是否是真的，他可以評估自己的知識。 偽造者與調(diào)查員的競賽繼續(xù)進行，最終催生了世界級的調(diào)查員（很不幸以及世界級的偽造者）。 這是一場善與惡之間的斗爭。 GANs如何工作 我們已經(jīng)知道了GAN的概要，現(xiàn)在繼續(xù)去了解細節(jié)部分。 正如我們看到的，GAN有兩個主要組成部分，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是來自概率分布p(z)的樣本。生成器產(chǎn)生一個數(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)是接收真實數(shù)據(jù)或者生成數(shù)據(jù)，并嘗試預(yù)測輸入是真實還是生成的。它需要一個來自pdata(x)的輸入x，其中pdata(x)是我們的真實數(shù)據(jù)分布。 D(x)然后使用Sigmoid函數(shù)解決二元分類問題，并輸出0到1的值。 我們先定義GAN的標(biāo)記符號：
現(xiàn)在作為生成器和鑒別器之間的斗爭，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，第一項是來自實際分布（pdata（x））的數(shù)據(jù)通過鑒別器（也稱為最佳情況）的熵（Entropy）。鑒別器試圖將其最大化為1。第二項是來自隨機輸入（p（z））的數(shù)據(jù)通過發(fā)生器的熵。生成器產(chǎn)生一個假樣本， 通過鑒別器識別虛假（也稱為最壞的情況）。在這一項中，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)，使真實數(shù)據(jù)和假數(shù)據(jù)之間的區(qū)別最小化。這就是說，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。 如何訓(xùn)練GAN 概括來講訓(xùn)練階段包括順序完成的兩個階段—— 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，不進行Backpropagation反向傳播） 第二階段：訓(xùn)練生成器，凍結(jié)鑒別器。 訓(xùn)練GAN的步驟 第1步：定義問題。你想生成假的圖像還是文字？你需要完全定義問題并收集數(shù)據(jù)。 第2步：定義GAN的架構(gòu)。GAN看起來是怎么樣的，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題。 第3步：用真實數(shù)據(jù)訓(xùn)練鑒別器N個epoch。訓(xùn)練鑒別器正確預(yù)測真實數(shù)據(jù)為真。這里N可以設(shè)置為1到無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)，用來訓(xùn)練鑒別器。訓(xùn)練鑒別器正確預(yù)測假的數(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)測值作為標(biāo)記來訓(xùn)練生成器。訓(xùn)練生成器來迷惑鑒別器。 第6步：重復(fù)第3到第5步多個epoch 第7步：手動檢查假數(shù)據(jù)是否合理。如果看起來合適就停止訓(xùn)練，否則回到第3步。這是一個手動任務(wù)，手動評估數(shù)據(jù)是檢查其假冒程度的最佳方式。當(dāng)這個步驟結(jié)束時，就可以評估GAN是否表現(xiàn)良好。 喘口氣，看一下這項技術(shù)有什么樣的含義。假設(shè)你有一個功能完整的生成器，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、不可思議的書籍和小說、自動應(yīng)答服務(wù)等等。你可以擁有一個近乎現(xiàn)實的人工智能，一個真正的人工智能！這就是夢想。 伴隨GAN而來的挑戰(zhàn) 你可能會問，如果我們知道這些美麗的生物（怪物）能做什么，為什么現(xiàn)在什么也沒發(fā)生？這是因為我們還僅僅只接觸到它的表面。在創(chuàng)造一個足夠好的GAN的過程中有太多的障礙還沒有清除。有一整個學(xué)術(shù)領(lǐng)域就是為了找出如何訓(xùn)練GAN。 訓(xùn)練GAN時最重要的障礙是穩(wěn)定。你開始訓(xùn)練GAN，如果鑒別器比與其對應(yīng)的發(fā)生器更強大，則發(fā)生器將無法有效訓(xùn)練。這反過來又會影響你的GAN的訓(xùn)練。另一方面，如果鑒別器過于寬松，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是無用的。 瀏覽GAN的穩(wěn)定性的另一種方法是將其看做一個整體收斂的問題。生成器和鑒別器都是相互競爭的，力求領(lǐng)先對方一步。此外，他們依賴彼此進行有效的培訓(xùn)。如果其中一個失敗，整個系統(tǒng)就會失敗。所以你必須確保它們不會崩掉。 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，你會死；但如果你不做任何事情，你也一定會死！ 關(guān)于其他的問題，請參考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。
大量的研究正被用來處理這些問題。很多比過去擁有更好結(jié)果的新模型被提出，比如DCGAN, WassersteinGan。 實現(xiàn)一個簡單的GAN 讓我們實現(xiàn)一個簡化的GAN來加強理論。我們將嘗試通過在Identify the Digits數(shù)據(jù)集上訓(xùn)練GAN來生成數(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：
在開始編寫代碼之前，讓我們先了解內(nèi)部工作的原理，訓(xùn)練GAN的偽代碼如下： 來源: http://papers./paper/5423-generative-adversarial 注意：這是在論文中發(fā)表的GAN的第一個實現(xiàn)。在最近論文的偽碼中可以看到許多改進和更新，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)在開始寫代碼！ 首先導(dǎo)入所有模塊。 為了讓確定性的隨機可復(fù)現(xiàn)，設(shè)置一個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并開始訓(xùn)練。
這是我們的GAN的樣子。
我們訓(xùn)練10個Epoch后得到的圖表。
訓(xùn)練100個Epoch后，生成的圖像如下。
瞧！你已經(jīng)建立了你的第一個生成模型！ GAN的應(yīng)用 我們了解了這些事情的工作原理，以及訓(xùn)練過程中的挑戰(zhàn)。我們現(xiàn)在將要看到使用GAN完成的前沿研究。
論文 : https:///pdf/1511.06380.pdf
論文：https:///pdf/1609.04802.pdf
鏈接: https://github.com/junyanz/iGAN
論文: https:///pdf/1611.07004.pdf
論文: https:///pdf/1605.05396.pdf 資源 這里有一些資源可以幫助你更深入地了解GAN：
我希望你現(xiàn)在對未來感到興奮，就像我第一次讀到GAN時一樣。它們將改變機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，GAN擁有無限的可能性。 原文鏈接：https://www./blog/2017/06/introductory-generative-adversarial-networks-gans/ 2017年7月《頂級數(shù)據(jù)團隊建設(shè)全景報告》下載
關(guān)于轉(zhuǎn)載 |
|
|
