【新智元导读】随着GAN越来越多的应用到实际研究当中，其技术中的缺陷与漏洞也随之出现。从实际角度对GAN的当前状态进行深入挖掘与理解就显得格外重要。来自Google Brain的Karol Kurach等人重现了当前的技术发展水平，探索GAN的景观，并讨论常见的陷阱和可重复性等问题。
从实际角度对GAN的当前状态进行深入挖掘与理解对GAN的发展有着重要的意义。来自Google Brain的Karol Kurach等人重现了当前的技术发展水平，探索GAN的景观，并讨论常见的陷阱和可重复性等问题。Lan Goodfellow等AI界大咖也对此成果表示赞同，并纷纷转载。
深度生成模型可以应用于学习目标分布的任务。 他们最近在各种应用程序中被利用，在自然图像的背景下充分发挥其潜力。 生成对抗网络（GAN）是以完全无监督的方式学习这些模型的主要方法之一。 GAN框架可以被视为一个双人游戏，其中第一个“玩家”，生成器(generator)，正在学习将一些简单的输入分布（通常是标准的多元正态或均匀）转换为图像空间上的分布，这样第二个“玩家”，鉴别器(discriminator)，无法判断样本是属于真实分布还是合成。 两位“玩家”的目标都是尽量减少自己的损失，而比赛的解决方案就是Nash均衡(equilibrium)，任何“玩家”都不能单方面改善他们的损失。 还可以通过最小化模型分布和真实分布之间的统计差异来导出GAN框架。
训练GAN需要解决发生器和鉴别器参数的最小极大(nimimax)问题。 由于发生器和鉴别器通常都被参数化为深度卷积神经网络，所以这种极小极大(minimax)问题在实践中是非常困难的。 为此，提出了许多损失函数，正则化和归一化以及神经结构的方案来做选择。 其中一些是基于理论见解得出的，而另一些则是实际考虑角度出发的。
在这项工作中，我们对这些方法进行了全面的实证分析。我们首先定义GAN landscape—损失函数集，归一化和正则化方案以及最常用的体系结构。我们通过超参数优化(hyperparameter optimization)，在几个现代大规模数据集以及高斯过程回归(Gaussian Process regression)获得的数据集上探索这个搜索空间。 通过分析损失函数的影响，我们得出结论，非饱和损失(non-saturating loss)在数据集、体系结构和超参数之间足够稳定。然后，我们继续分析各种归一化和正则化方案以及不同的体系结构的效果。我们表明，梯度抑制(gradient penaltyas)以及频谱归一化(spectral normalization)在高容量(high-capacity)结构的背景下都是有用的。然后，我们发现人们可以进一步受益于同时正规化和规范化。最后，我们讨论了常见的陷阱，可重复性问题和实际考虑因素。
GAN Landscape
损失函数
令P表示目标分布，Q表示模型分布。原始的GAN公式有两种损失函数:minimax GAN和非饱和(NS) GAN。前者，鉴别器最小化二分类问题的负对数似然（即样本是真的还是假的），相当于最小化P和Q之间的Jensen-Shannon（JS）偏差。后者，生成器最大化生成样本是真实的概率。对应的损失函数定义为：
在综合考虑前人的研究后，我们考虑用最小平方损失（LS），相当于最小化P和Q之间的Pearson卡方散度(divergence)。对应的损失函数定义为：
鉴别器的归一化和正则化
Gradient norm penalty
在训练点和生成的样本之间的线性插值上评估梯度，作为最佳耦合的代理(proxy)。 还可以在数据流形周围评估梯度损失，这促使鉴别器在该区域中成分段线性。梯度范数惩罚可以纯粹被认为是鉴别器的正则化器，并且它表明它可以改善其他损失的性能。计算梯度范数(gradient norms)意味着一个非平凡的运行时间惩罚(penalty) - 基本上是运行时间的两倍。
鉴别器归一化
从优化角度（更有效的梯度流、更稳定的优化）以及从表示的角度来看，归一化鉴别器是有用的 - 神经网络中层的表示丰富度取决于相应权重的谱结构矩阵。
从优化角度来看，一些关于GAN的技术已经成熟，例如： Batch normalization和Layer normalization (LN)；从表示的角度来看，必须将神经网络视为（可能是非线性）映射的组合并分析它们的光谱特性(spectral properties)。特别地，为了使鉴别器成为有界线性算子，控制最大奇异值(maximum singular value)就可以了。
生成器和鉴别器机构
我们在这项研究中探索了两类架构：深度卷积生成对抗网络(DCGAN)和残余网络(ResNet)。ResNet19是一种架构，在生成器中有五个ResNet块，在鉴别器中有六个ResNet块，可以在128×128图像上运行。我们在每个鉴别器块中进行下采样，并且第一个块不包含任何自定义更改。 每个ResNet块由三个卷积层组成，这使得鉴别器总共有19层。 表3a和表3b总结了鉴别器和发生器的详细参数。 通过这种设置，我们能够重现并改进当前已有的最好结果。
评估方法
我们专注于几个最近提出的非常适合图像域的指标。
Inception Score (IS)
IS提供了一种定量评估生成样本质量的方法。 包含有意义对象的样本的条件标签分布应该具有低熵，并且样本的可变性应该高。 IS可以表示为：
来自P和Q的样本首先嵌入到特征空间（InceptionNet的特定层）中。 然后，假设嵌入数据遵循多元高斯分布，估计均值和协方差。 最后，计算这两个高斯之间的Fréchet距离：
图像质量（MS-SSIM）和多样性的多尺度结构相似性
GAN中的一个关键问题是模式崩溃和模式丢失 - 无法捕获模式，或者从给定模式生成样本的多样性较低。MS-SSIM得分用于测量两个图像的相似度，其中较高的MS-SSIM得分表示更相似的图像。
数据集
我们考虑三个数据集，即CIFAR10，CELEBA-HQ-128和LSUN-BEDROOM。LSUN-BEDROOM数据集[包含300多万张图像。 我们将图像随机分成训练集和测试集，使用30588张图像作为测试集。 其次，我们使用30k张图像的CELEBA-HQ数据集，将3000个示例作为测试集，其余示例作为训练集。 最后，为了重现现有结果，我们还采用了CIFAR10数据集，其中包含70K张图像（32x32x3），60000个训练实例和10000个测试实例。 CELEBA-HQ-128的基线FID评分为12.6，LSUN-BEDROOM为3.8，CIFAR10为5.19。
实验结果
损失函数的影响
非饱和（NS）损失在两个数据集上都是稳定的
Gradient penalty和光谱(spectral)归一化提高了模型质量。 从计算预算的角度来看（即，需要训练多少个模型以达到某个FID），光谱归一化和Gradient penalty都比基线表现更好，但前者更有效。
Gradient penalty和谱归一化（SN）都表现良好，应该被认为是可行的方法，而后者在计算成本上更好。 可惜的是，没有人能完全解决稳定性问题。
归一化和正则化的影响
Gradient penalty加上光谱归一化(SN)或层归一化(LN)大大提高了基线的性能
生成器和鉴别器结构的影响
鉴别器和发生器结构对非饱和GAN损失的影响。光谱归一化和Gradient penalty可以帮助改进非正则化基线。
文献原文地址：
https://arxiv.org/pdf/1807.04720.pdf
原文发布时间为：2018-07-14
本文作者：
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”。
原文链接：【GAN全局实用手册】谷歌大脑最新研究，Goodfellow力荐
