编者按：深度学习顶级盛会NIPS于今年12月初在巴塞罗那举行，相信有很多人都无法参加。不过，有另一个AI盛会却是全世界所有人都能参加的，叫做“AI WITH THE BEST”，已于今年9月在网络世界里召开。演讲嘉宾有100多人，其中就有“GANs之父”Ian Goodfellow。这个会议由于是网络播出，所以有完整录像，雷锋网对比Ian Goodfellow在NIPS的演讲内容，二者十分相仿，故在此将此次会议的视频搬运给大家，并附上中文图文详解（PS：本文由亚萌和三川共同编辑完成）。
大家好，先自我介绍一下，我叫Ian Goodfellow，我是OpenAI的一名研究员。OpenAI是一个非盈利性组织，致力于把通用性的人工智能变成一种安全的方法，并且造福于全人类。
我今天将给大家讲一下生成对抗网络（Generative Adversarial Networks），简称“GANs”。
什么是对抗生成网络（GANs）?
生成对抗网络是一种生成模型（Generative Model），其背后最基本的思想就是从训练库里获取很多的训练样本（Training Examples），从而学习这些训练案例生成的概率分布。
一些生成模型可以给出概率分布函数定义的估测，而另一些生成模型可以给你全新的样本，这些新样本来自于原有生成训练库的概率分布。
PPT最底下一排图片来自于ImageNet的数据库，左边是训练图片，右边我们可以看作是一个理想的生成模型所产生的照片（实际上右边的照片依然是从ImageNet库里选取的，我们的系统目前还没有成熟到可以生成这种真实感）。
GANs的方法，就是让两个网络相互竞争“玩一个游戏”。
其中一个叫做生成器网络（ Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声（Random Noise）转变成新的样本（也就是假数据）。
另一个叫做判别器网络（Discriminator Network），它可以同时观察真实和假造的数据，判断这个数据到底是不是真的。
所以整个训练过程包含两步，（在下图里，判别器用 D 表示，生成器用 G 表示，真实数据库样本用 X 表示，噪声用 Z 表示）。
第一步，只有判别器D参与。
我们把X样本输入可微函数D里运行，D输出0-1之间的某个值，数值越大意味着X样本是真实的可能性越大。在这个过程中，判别器D尽可能使输出的值靠近1，因为这一阶段的X样本就是真实的图片。
第二步，判别器D和生成器G都参与。
我们首先将噪声数据Z喂给生成器G，G从原有真实图像库里学习概率分布，从而产生假的图像样本。然后，我们把假的数据交给判别器D。这一次，D将尽可能输入数值0，这代表着输入数据Z是假的。
所以这个过程中，判别器D相当于一个监督情况下的二分类器，数据要么归为1，要么归为0。
与传统神经网络训练不一样的且有趣的地方，就是我们训练生成器的方法不同。生成器一心想要“骗过”判别器。使用博弈理论分析技术，我们可以证明这里面存在一种均衡。
DCGANs：深度卷积生成对抗网络
现代GANs架构基于一篇名为“ Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks ”（简称DCGANs）的论文，作者是 Alec Radford、Luke Metz和Soumith Chintala。（链接：https://arxiv.org/pdf/1511.06434.pdf）
DCGANs的基本架构就是使用几层“反卷积”（Deconvolution）网络。“反卷积”类似于一种反向卷积，这跟用反向传播算法训练监督的卷积神经网络（CNN）是类似的操作。
CNN是将图像的尺寸压缩，变得越来越小，而反卷积是将初始输入的小数据（噪声）变得越来越大（但反卷积并不是CNN的逆向操作，这个下面会有详解）。
如果你要把卷积核移动不止一个位置， 使用的卷积滑动步长更大，那么在反卷积的每一层，你所得到的图像尺寸就会越大。
这个论文里另一个重要思想，就是在大部分网络层中使用了“批量规范化”（batch normalization），这让学习过程的速度更快且更稳定。另一个有趣的思想就是，如何处理生成器里的“池化层”（Pooling Layers），传统CNN使用的池化层，往往取区域平均或最大来压缩表征数据的尺寸。
在反卷积过程中，从代码到最终生成图片，表征数据变得越来越大，我们需要某个东西来逐渐扩大表征的尺寸。但最大值池化（max-pooling）过程并不可逆，所以DCGANs那篇论文里，并没有采用池化的逆向操作，而只是让“反卷积”的滑动步长设定为2或更大值，这一方法确实会让表征尺寸按我们的需求增大。
这其中有些想法来自于早期的一篇论文“全卷积网络”（Striving for Simplicity: The All Convolutional Net，链接 https://arxiv.org/abs/1412.6806），大家可以看一看。
DCGANs非常擅长生成特定Domain里的小图片，这里是一些生成的“卧室"图片样本。这些图片分辨率不是很高，但是你可以看到里面包含了门、窗户、棉被、枕头、床头板、灯具等卧室常见物品。
向量空间运算
我们在生成网络里随意输入一些噪声值，这些值解码成一些“戴眼镜的男人”的图片。我们将这些代码取平均值，便得到如下图最左一的“戴眼镜的男人”的图片，这是一个“平均图片”（Average Image）。
我们使用同样的过程，产生图中的“男人”（左二）和“女人”（左三）的图片。
而你可以在这些图片（向量空间）之间做运算。
“戴眼镜的男人”-“男人”+“女人”=“戴眼镜的女人”
这则加减运算里，辅以解码一些变量，最终得出了最右边一系列“戴眼镜的女人”图片。
这十分类似语言模型，单词向量（Word Embedding）之间也具有有趣的代数关系。例如，
“王后”-“女性”+“男性”=“国王”
向量运算是可行的，这一点令人印象深刻，因为我们确实需要解码经过运算生成的向量，然后得到每个像素都是有意义的图片。
在单词向量里，我们从运算中得到的新向量，只需要与之前的某个向量靠近就行。这个过程，并不需要解码成一种“真实世界体验”。而在我们图片的向量运算里，可以将运算结果映射到真实世界当中。
训练GANs难点：“模型崩溃”及其解决方法
训练GANs的一个难点，就在于会出现“模型崩溃”（Mode Collapse）：生成的所有样本都在一个点上（样本相同），这是训练GANs经常遇到的失败现象。
我们训练GANs，起初让判别器的输出值最大化（尽量接近1），然后让生成器输出值最小化（尽量接近0），那么一切都没问题。但是，如果我们把顺序调一下，先最小化生成器输出值，然后再最大化判别器输出值，那么一切都会崩掉（这在循环训练的时候会发生）。
针对这个，我们可以采用的解决方法是minibatch GAN，给生成器增加一些额外的“特征”（Feature），让原始数据分成一波波的小批量样本，从而保证每一批数据的多样性。我们将里面用到的特征称为“小批量特征”（Minibatch Feature）。
如果这些“特征”测量的是样本之间的间距，那么通过这一点，判别器就能检测到生成器是否将要崩溃。小批量样本更加接近真实，且每个样本的间距是正确的，就不会让生成器产生只映射到一个点的图像。“小批量”的理念来自于OpenAI研究员Tim Salimans在2016年提交给NIPS的一篇论文。
使用“小批量特征”会大大提升GANs训练效果。我们用很多数据库来检验这一方法，其中的一个数据库就是CIFAR 10，这里面包括10中不同类别的物体，有鸟、飞机、汽车、货车、马等等，图片像素为32×32。
如上图所示，左边是训练数据，这些图片都很小，而且质量不高；右边是生成器产生的样本，其中有些样本展示的物体辨识度还可以，比如马、汽车、船等等。生成样本里大约40%只是一些由颜色和纹理构成的难以名状的一团，但是剩下的确实包含了一些有意义的物体图像。
我们也把 minipatch GANs放到更大的ImageNet数据库里，里面图像的分辨率是128×128，且包含数千种物体，难度大得多。尤其是发生我们前面提到的“模型崩溃”问题时，训练过程更难。
上面左边的图，来自于ImageNet，你或许会发现这些图比之前CIFAR 10的图片质量高很多，这是因为空间幅度（Spatial Extent）大约在每个方向上都扩展了4倍。这里面的物体类别繁多，甚至有一些连人类都无法准确归类，比如这当中有一格小图里包含了一个“瓦屋顶”，我就不太能确定这要归为“瓦”、“屋顶”还是“房子”？
所以，需要意识到的一点就是，这里要捕捉的多样性太多了。
右边的组图里，是我们训练minipatch GAN生成的样本图，其中真的有一些图片包含了可识别的物体。比如左上角的图，看起来像是一只胖狗，你也可以看到狗的脸、猫脸、眼睛等图形散布在各个样本里。但是，大部分图展示的内容并不协调，它们看起来像是毕加索或达利风格的画，只是一些纹理和图形的堆砌，并不是有机的构成。
我们从中精挑细选了一些比较好的样本图（Cherry-Picked Results），从中我们看到GAN做的事情是比较有用的，但是仍然有很多不足。
下面左上角的一张图的构成不错，这像是一个狗妈妈，旁边依偎着一只狗宝宝，两只狗望向同一个方向。但是你可以发现，这张图里的场景并不是3D的，而且跟前面的狗相比，后边的背景图并没有展现出什么意义。
最上面一排的中间图，看起来就像是一只巨型蜘蛛，而我认为之前的训练库里没有什么与此类似的东西。
很多次，我们常常发现，系统无法将纹理与形状合理地整合起来，这是一种模型过分概括（overgeneralization）的案例。
我们经常遇到的问题就是，这里面完全没有3D的立体构成，比如底部一排左三图片，狗的面部不错，狗的毛发展现的很好，但是总体上，这像是一块平铺在地上的狗皮（而不是立体的狗），就像是从正上方垂直看下来，我们称之为“正交投影”。在这个案例里，模型根本不知道如何做透视。
我们知道卷积网络可以计数的，在一些应用里，我们需要将图片里的地址数字进行转录，这就要求我们知道数字里包含了多少数位（Digits）。但看起来，如果你不明确训练神经网络如何计数，那么它自己是不会自动学习计数方法的。
最右下角的图，看起来像是一只美洲豹或黑猫的脸，但是这张图里包含的“脸”太多了。似乎神经网络知道需要有眼睛、嘴和鼻子来构成脸，但是它并不清楚到底一张脸要包含几个眼睛、嘴和鼻子，也不知道这些器官要正确放在什么位置。
GANs的应用：“文本转图像”（Text to Image）
我们可以用GANs做很多应用，其中一种就是“文本转图像”（Text to Image）。在Scott Reed等人的一篇论文里（Generative Adversarial Text to Image Synthesis，链接 https://arxiv.org/abs/1605.05396）。GANs根据输入的信息产生了相关图像，我到目前为止谈到的GANs还只是从学习训练库里的概率分布，随机产生图像，而不是像Scott Reed这样根据特定输入语句来产生特定图像。
在这篇新论文里，GANs增强了，输入了额外的描述信息，告诉它们应该要产生什么样的图像。
也就是说，生成器里输入的不仅是随机噪声，还有一些特定的语句信息。所以判别器不仅要区分样本是否是真实的，还要判定其是否与输入的语句信息相符。
这里是他们的实验结果，左上角的图里有一些鸟，鸟的胸脯和鸟冠是是粉色，主羽和次羽是黑色，与所给语句描述的信息相符。
但是我们也看到，仍然存在“模型崩溃”问题，在右下角的黄白花里，确实产生了白色花瓣和黄色花蕊的花朵，但它们多少看起来是在同一个方向上映射出来的同一朵花，它们的花瓣数和尺寸几乎相同。
所以，模型在输出的多样性方面还有些问题，这需要解决。但可喜的地方在于，输入的语句信息都比较好的映射到产生的图像样本中。
有趣的GANs 图像生成应用
在Indico和Facebook发布了他们自己的DCGAN代码之后，很多人开发出他们自己的、有趣的GANs应用。有的生成新的花朵图像，还有新动漫角色。我个人最喜欢的，是一个能生成新品种精灵宝可梦的应用。
在一个 Youtube 视频，你会看到学习过程：生成器被迫去学习怎么骗过判别器，图像逐渐变得更真实。有些生成的宝可梦，虽然它们是全新的品种，看上去就像真的一样。这些图像的真实感并没有一些专业学术论文里面的那么强，但对于现在的生成模型来说，不经过任何额外处理就能得到这样的结果，已经非常不错了。
超分辨率
一篇最近发表的论文，描述怎么利用GANs进行超分辨率重建（Super-Resolution）。我不确定这能否在本视频中体现出来，因为视频清晰度的限制。基本思想是，你可以在有条件的GANs里，输入低分辨率图像，然后输出高分版本。使用生成模型的原因在于，这是一个约束不足（underconstrained）的问题：对于任何一个低分辨率图像，有无数种可能的高分辨率版本。相比其他生成模型，GANs特别适用超分辨率应用。因为GANs的专长就是创建极有真实感的样本。它们并不特别擅长做概率函数密度的估测，但在超分辨率应用中，我们最终关心的是输出高分图像，而不是概率分布。
（从左到右分别为：图1、2、3、4）
上面展示的四幅图像中，最左边的是原始高分图像（图1），剩下的其余三张图片都是通过对图片的降采样（Down Sample）生成的。我们把降采样得到的图片用不同的方法进行放大，以期得到跟原始图像同样的品质。
这些方法有很多种，比如我们用双三次插值（Bicubic Interpolation）方式，生成的图像（图2）看起来很模糊，且对比度很低。另一个深度学习方法SRResNet（图3）的效果更好，图片已经干净了很多。但若采用GANs重建的图片（图4），有着比其它两种方式更低的信噪比。虽然我们直观上觉得图3看起来更清晰，事实上它的信噪比更高一些。GANs在量化矩阵（Quantitative Matrix）和人眼清晰度感知两方面，都有很好的表现。
（PS：在视频的后半段，主要是Ian Goodfellow回答网友的提问，雷锋网将据此编辑成第2篇文章，后续将发布。）
相关文章：
雷峰网原创文章，未经授权禁止转载。详情见。
原创文章，作者：506227337，如若转载，请注明出处：https://blog.ytso.com/217102.html