Theory behind GAN

文章目录

• Theory behind GAN
• 摘要
• 1、Generation的本质
• 2、GAN的演变
• • 2.1 GAN之前的生成—极大似然估计
  • 2.2 Generator(G)
  • 2.3 Discriminator(D)
  • 2.4 公式化简
  • 2.5 算法
  • 2.6 In practice
• 方法
• 结论与展望

---

摘要

本章主要讲的是GAN的理论依据，从本章中可以知道生成的本质就是找出目标在高维空间中的分布。正因如此，才有了没有GAN前用来做生成的方法—极大似然估计，但是极大似然估计有其局限性，当Function比较简单时，就没办法很好的解决问题，当Function太过复杂，可能无法求解，于是便有了Generator(G)，用神经网络作为Function，理论上来说，神经网络可以构成所有的Function，而在其求解时可以用优化方法自动求解，很好的突破了极大似然估计的局限性，这个就是GAN的雏形，在训练时，我们还需要一个Discriminator(D)，用来对G生成的数据与训练数据进行比较，D就像是一个测量器，测量出G生成的数据和训练数据的差距，再反馈给G，G知道差距后就移动means去缩小差距，完善后的G再次生成数据丢给D，D测量出差距后反馈给G，循环往复，直至找到合适的G。

---

1、Generation的本质

我们在将image转换为高维空间的点做生成时，实际上只有sample出的点在某一个区域内时生成的图片才是符合要求的(如下图以生成人脸为例)，而所以在生成时，我们要做的事，其实就是找出该区域。

2、GAN的演变

2.1 GAN之前的生成—极大似然估计

GAN之前用来生成的方法是最大似然估计(Maximum Likelihood Estimation)，最大似然估计的做法是将training data作为真实分布P_data中sample出来的，我们再找一个含参数的分布P_G(x,θ)，当我们给定一组参数时，就可求用该分布下的training data的概率，讲所有data的概率相乘，以此构建Likehood Function，更新参数θ，直至找到能使Function最大的参数。

通常情况下P_G是高斯方程的model，但是高斯方程还是有它的局限性，太过复杂的方程则计算量大且不一定能算出P_G，于是有个新的想法，用神经网络作为function，也就是GAN。

2.2 Generator(G)

G做的事情是吃正态分布的随机值Z然后输出其生成东西G(z)，多个G(z)也就构成了一个分布P_G(x)，在训练时，我们希望该分布与P_data(x)越接近越好，于是就可以由此构建损失函数了。

例如在做图片生成时，我们就是从Database中sample一些图片，再用正态分布随机值生成一些图片，让后者生成的图片与前者越接近越好。

2.3 Discriminator(D)

在训练时，我们还需要一个D，来控制生成的图片往我们想要的方向去生成，从P_data(x) sample出来的数据D会给其高分，从P_G(X) sample出来的数据，D会给其低分，这其实就和分类是一样的。

当P_data和P_G相似度高时，D就没办法很好的完成分类，此时就说明我们已经得到了较好的G。当P_data和P_G相似度低时，就说明model还得继续训练，也就是说，G要做的事就是骗过D。

2.4 公式化简

Max V(G,D)公式可以做如下化简：

因为积分是单调函数，所以要Maximizing上面这个积分函数等价于要Maximizing积分内部的函数：

要Maximizing上式，我们可以对该式求导数，找出取极大值时D的值：

将D的值代入原式得到V的极大值：

于是我们就得到了极大值点：

V的值后面两项较复杂，我们可以用一个标志符表示，于是我们将后两项叫做Jensen-Shannon divergence(J-S散度)。

于是我们的问题就可以用以下方程表示：

2.5 算法

明显，最后该Function很可能是个分段函数，分段函数可以求导吗？是可以的，该model训练的过程就像是一个分段函数求最小值的过程。

2.6 In practice

实际上在做GAN的时候，是没法算Ex的，所以都是用sample代替的，我们分别将P_data和P_G sample的data丢给D计算出分数求平均值求得V的均值，这其实就是在training一个二分类的model。

方法

极大似然估计的方法是去找和training data一样的分布，极大似然估计一般是用高斯方程作为Function，GAN则是用神经网络作为Function(Generator)，然后再用一个神经网络D去测量G生成的数据与training data的差距。总的来说就是D负责测量divergence反馈给G，G收到反馈后再缩小divergence。

结论与展望

从理论层面看我们可以发现极大似然估计的方法因为其Function的构建导致其局限性较大，而用神经网络作为Function的GAN则可以很好的打破其局限性，本章中的G是负责生成，D负责测量divergence反馈给G，这只是GAN最初的雏形，从前面几章我们可以知道，GAN还有很多变形例如StarGAN、Supervised Conditional GAN等，G和D也有很多架构，可以根据实际问题来搭建最合适的架构。

标签：Function,似然,01,Theory,李宏毅,生成,sample,GAN,data
来源： https://blog.csdn.net/sunningzhzh/article/details/119145957