当前位置：首页 > news >正文

GAN对抗生成网络（二）——算法及Python实现

news 2026/4/14 0:47:25

1 算法步骤

上一篇提到的GAN的最优化问题是 $G^{*}=\arg\min\limits_{G}\max\limits_{D}V(G,D)$ ，本文记录如何求解这一问题。

首先为了表示方便，记 $\max\limits_{D}V(G,D)=L(G)$ ，这里让 $V(G,D)$ 最大的 $D=D^{*}$ 可视作常量。

第一步，给定初始的 $G_{0}$ ，使用梯度上升找到 $D_0^{*}$ ,最大化 $L(G_0)$ 。关于梯度下降，可以参考笔者另一篇文章《BP神经网络原理-CSDN博客》误差反向传播的部分。

第二步，使用梯度下降法，找到 $G$ 最佳的参数 $\theta_{G}$ .其中 $\eta$ 为学习率。

$\theta_{G}\leftarrow \theta_{G}-\eta\frac{\partial{L(G)}}{\theta_{G}}$ 得到 $G_{1}$

之后这两步交替进行。

这里的 $L(G)$ 是有max运算的，可以被微分吗？答案是可以的

引用李宏毅老师的例子， $f(x)$ 是有max运算的，相当于分段函数，在求微分的时候，根据当前x落在哪个区域决定微分的形式如何。

2 算法与JS散度的关系

上述算法第一步训练 $D$ 时本质是增大JS散度，第二步训练 $G$ 时看起来是减小JS散度，但实际上不完全等同。

如下图所示，左侧表示算法第一步根据 $G_{0}$ 得到了最优的 $D_0^{*}$ 。当进行到算法第二步，需要根据 $D_0^{*}$ 找到一个更小的JS散度，如右图所示， $G$ 选择了 $G_{1}$ 从而使得 $V(G_1, D)<V(G_0, D)$ 。虽然此时JS散度更小，但是由于 $G_{0}$ 更换成了 $G_{1}$ ， $D_0^{*}$ 将更新参数变成 $D_1^{*}$ ，此时JS散度更大了。只能说不能让 $G$ 更新得太多，否则不能达到减小JS散度的目标。回到文物造假的例子，造假者收到鉴宝者的反馈后，应该微调技艺，而不是彻底更换技艺，否则只能从头来过。

从快速收敛的角度来说， $G$ 应该不能更新太过，但是如果太小也忽略了 $G$ 更好的形式，可能陷入局部最优。

3 实际训练过程

实际训练时，我们是无法计算出真实数据或生成数据实际的期望的，只能通过抽样近似得到期望。因此实际的做法如下：

3.1 第一步，初始化

初始化生成器 $G$ 和判别器 $D$ 。

3.2 第二步，固定G，训练D

从分布函数（如高斯分布）中随机抽样出m个样本 $\left \{ z^1,z^2,...z^m \right \}$ 输入给 $G$ ，输出m个样本 $\left \{ \tilde{x}^1,\tilde{x}^2,..\tilde{x}^m \right \}$ 。 $G$ 本质上概率分布转化器——将高斯分布的噪声转变成样本的分布。从真实数据中随机抽样出m个样本 $\left \{ x^1,x^2,...x^m \right \}$ ，将二者输入给 $D$ 。训练 $D$ 的参数使其接收 $x_{1}$ 时打出0分，接收 $x_{2}$ 时打出1分，即最大化 $\tilde{V}=\frac{1}{m}\sum_{i=1}^m{log{D(x^i)}}+\frac{1}{m}\sum_{i=1}^m{log{(1-D(\tilde{x}^i))}}$

建模成分类或回归问题均可。

使用梯度上升法， $\theta_d\leftarrow \theta_d+\eta\nabla\tilde{V}(\theta_d)$

实际中需要更新多次，使得V值最大。这一步实际上只找到了一个 $\max\limits_{D}V(G,D)$ 的下限(lower bound)，原因是：（1）训练次数不会非常大，没法训练到收敛；（2）即使能收敛，也可能只是一个局部最优解；（3）推导时假设了 $D$ 可以是任意的函数，即针对不同的x都给出最高的值，但实际中这个假设不成立。

3.3 第三步，固定D，训练G

从分布函数（如高斯分布）中随机抽样出另外m个样本 $\left \{ z^1,z^2,...z^m \right \}$

更新 $G$ 的参数 $\theta_G$ 使得下式最小：

$\tilde{V}=\frac{1}{m}\sum_{i=1}^m{log{D(x^i)}}+\frac{1}{m}\sum_{i=1}^m{log{(1-D(G(z^i)))}}$

其中第一项与 $G$ 无关，因此只需要看第二项。

根据上文的讨论，这里一般只训练一次，避免 $G$ 改变过多，无法收敛。

实践中是将 $G$ 和 $D$ 合在一起作为一个大的神经网络，前几层是 $G$ ，后几层是 $D$ ，中间有一个隐含层是 $G$ 的输出，就是GAN希望得到的输出。第二步和第三步可分别固定神经网络中的某几层参数不动，训练其它层参数。

4 Python实现

关于GAN的代码，参考了https://github.com/junqiangchen/GAN。项目可以产生数字图片和人脸图片，其中人脸图片的生成使用了GAN的变种——WGAN，之后会专门讨论，本文讨论最原始的GAN模型。

4.1 使用新版tensorflow需要修改的地方

原始的代码直接运行是不通的，需要做一些调整；原始代码采用的是旧版Tensorflow（V1），如果安装了新版TensorFlow（V2）也需要做调整；有些包如果安装的新版同样不支持部分API，需要替换。具体如下表所示

问题	调整方法	备注
部分文件路径不对	调整路径，例如 `from GAN.face_model import WGAN_GPModel` 调整为 `from GAN.genface.face_model import WGAN_GPModel`	其他几处不再赘述
imresize报错	例如 `from scipy.misc import imresize` 调整为 `from skimage.transform import resize`	最新版本scipy不支持此函数，将 imresize(test_image, (init_width * scale_factor, init_height * scale_factor)) 替换为 resize( Image.fromarray(test_image).resize(init_width * scale_factor, init_height * scale_factor))
imsave 报错	例如 `scipy.misc.imsave(path, merge_img)` 调整为 `import cv2cv2.imwrite(path, merge_img * 255)`	最新版本scipy不支持此函数，替换成cv2。个人认为最后应该乘255，因为原始数据是0~1的数据，直接存会存成几乎黑白的图片，需要还原
使用新版tensorflow的问题	将 `import tensorflow as tf` 替换为 `import tensorflow.compat.v1 as tftf.compat.v1.disable_eager_execution()`	新版tensorflow提供了向下兼容的compat.v1的使用方式，统一替换即可。同时要取消eager_execution模式，新版默认是“即时计算”模式，如果兼容旧版则应取消该模式。

4.2 GAN的代码解析

代码位置：gan/GAN/genmnist/mnist_model.py, class名为GANModel

4.2.1 Generator

定义在_GAN_generator函数中，总结为以下要点：

（1）含有五层网络，除最后一层，其他层在进入下一层之前都用batch_normalization归一化+relu激活函数

g4 = tf.contrib.layers.batch_norm(g4, epsilon=1e-5, is_training=self.phase, scope='bn4')
g4 = tf.nn.relu(g4)

（2）每一层都定义w和b，使用truncated_normal，即截断异常值的正态分布

tf.truncated_normal_initializer

（3）第1~2层使用全连接层，即使用w乘输入，并加上b偏置

tf.matmul(g1, g_w2) + g_b2

（4）第3~4层使用反卷积运算。是卷积运算的逆过程，关于反卷积的介绍笔者正在整理

tf.nn.conv2d_transpose(x, W, output_shape, strides=[1, strides, strides, 1], padding='SAME')

（5）第5层使用卷积运算，并使用tanh激活函数

g5 = convolution_2d(g4, g_w5)

4.2.2 Discriminator

与Generator类似，简述如下：

（1）共4层，其中1、2层使用卷积，3、4层使用全连接

（2）卷积后使用平均池化

d1 = average_pool_2x2(d1)

（3）最后一层使用sigmoid将输出控制在0~1之间

out = tf.nn.sigmoid(out_logit)

4.2.3 损失函数

Generator的损失函数为

-tf.reduce_mean(tf.log(self.D_fake))

对应前文提到的 $\frac{1}{m}\sum_{i=1}^m{log{(1-D(G(z^i)))}}$ 。注意这里是用 $-\frac{1}{m}\sum_{i=1}^m{log{D(G(z^i))}}$ ，方向是一样的，之后笔者会讨论他们的区别。

Discriminator的损失函数为

-tf.reduce_mean(tf.log(self.D_real) + tf.log(1 - self.D_fake))

对应前文提到的 $\tilde{V}=\frac{1}{m}\sum_{i=1}^m{log{D(x^i)}}+\frac{1}{m}\sum_{i=1}^m{log{(1-D(\tilde{x}^i))}}$

4.2.5 训练

定义D和G的训练函数，使得各自损失函数最小化。

trainD_op = tf.train.AdamOptimizer(learning_rate, beta1).minimize(self.d_loss, var_list=D_vars)
trainG_op = tf.train.AdamOptimizer(learning_rate, beta1).minimize(self.g_loss, var_list=G_vars)

先让D预训练30次，然后D和G交替训练。为什么先让D预训练30次？笔者认为D本质上就是个图片分类器，可以不依赖于G，比较好训练，预训练可以加快收敛速度。

训练时使用feed“喂数据”

feed_dict={self.X: batch_xs, self.Z: z_batch, self.phase: 1}

其中self.X表示真实的图片，self.Z表示噪声，self.phase表示batchnorm训练阶段还是测试阶段。

4.2.6 预测

生成随机噪声Z之后，喂给G，即可生成图片

outimage = self.Gen.eval(feed_dict={self.Z: z_batch, self.phase: 1}, session=sess)

不过笔者对这里的phase有些疑问，是否应该设置为0？恕笔者对Tensorflow不熟，代码解析有些走马观花，没有深究细节以及为什么这么写，等功力提高再回过头来优化。

至此，原始GAN的算法以及Python实现已介绍完毕，下一篇笔者将拓展讨论一些细节并介绍GAN的变种。