标签归档:行代码,用

只需 130 行代码,用 GAN 实现二维样本的小例子

雷锋网按:此前雷锋网曾编译了一篇英文教程,详细介绍了如何基于 PyTorch 平台用 50 行代码实现 GAN(生成对抗网络),详情参见:《GAN 很复杂?如何用不到 50 行代码训练 GAN》。近期,针对文中介绍的“50 行代码 GAN 模型”,有开发者指出了局限性,并基于此模型给出了改进版本,也就是本文将要介绍的“130 行代码实现 GAN 二维样本”。本文原载于知乎专栏,作者達聞西,雷锋网经授权发布。

50行GAN代码的问题

Dev Nag 写的 50 行代码的 GAN,大概是网上流传最广的,关于GAN最简单的小例子。这是一份用一维均匀样本作为特征空间(latent space)样本,经过生成网络变换后,生成高斯分布样本的代码。结构非常清晰,却有一个奇怪的问题,就是判别器(Discriminator)的输入不是2维样本,而是把整个mini-batch整体作为一个维度是batch size(代码中batch size等于cardinality)那么大的样本。也就是说判别网络要判别的不是一个一维的目标分布,而是batch size那么大维度的分布:

d_input_size = 100   # Minibatch size – cardinality of distributions

class Discriminator(nn.Module):

    def __init__(self, input_size, hidden_size, output_size):

        super(Discriminator, self).__init__()

        self.map1 = nn.Linear(input_size, hidden_size)

        self.map2 = nn.Linear(hidden_size, hidden_size)

        self.map3 = nn.Linear(hidden_size, output_size)


    def forward(self, x):

        x = F.elu(self.map1(x))

        x = F.elu(self.map2(x))

        return F.sigmoid(self.map3(x))

D = Discriminator(input_size=d_input_func(d_input_size), hidden_size=d_hidden_size, output_size=d_output_size)

for epoch in range(num_epochs):

    for d_index in range(d_steps):

        # 1. Train D on real+fake

        D.zero_grad()


        #  1A: Train D on real

        d_real_data = Variable(d_sampler(d_input_size))

        d_real_decision = D(preprocess(d_real_data))

        d_real_error = criterion(d_real_decision, Variable(torch.ones(1)))  # ones = true

        d_real_error.backward()  # compute/store gradients, but don't change params


        #  1B: Train D on fake

        d_gen_input = Variable(gi_sampler(minibatch_size, g_input_size))

        d_fake_data = G(d_gen_input).detach()  # detach to avoid training G on these labels

        d_fake_decision = D(preprocess(d_fake_data.t()))

        d_fake_error = criterion(d_fake_decision, Variable(torch.zeros(1)))  # zeros = fake

        d_fake_error.backward()

        d_optimizer.step()  # Only optimizes D's parameters; changes based on stored gradients from backward()


    for g_index in range(g_steps):

        # 2. Train G on D's response (but DO NOT train D on these labels)

        G.zero_grad()


        gen_input = Variable(gi_sampler(minibatch_size, g_input_size))

        g_fake_data = G(gen_input)

        dg_fake_decision = D(preprocess(g_fake_data.t()))

        g_error = criterion(dg_fake_decision, Variable(torch.ones(1)))  # we want to fool, so pretend it's all genuine


        g_error.backward()

        g_optimizer.step()  # Only optimizes G's parameters


不知作者是疏忽了还是有意为之,总之这么做的结果就是如此简单的例子收敛都好。可能作者自己也察觉了收敛问题,就想把方差信息也放进来,于是又写了个预处理函数(decorate_with_diffs)计算出每个样本距离一批样本中心的距离平方,作为给判别网络的额外输入,其实这样还增加了输入维度。结果当然是加不加这个方差信息都能勉强收敛,但是都不稳定。甚至作者自己贴出来的生成样本分布(下图)都不令人满意:

如果直接把这份代码改成二维的,就会发现除了简单的对称分布以外,其他分布基本都无法生成。

理论上讲神经网络作为一种通用的近似函数,只要capacity够,学习多少维分布都不成问题,但是这样写法显然极大增加了收敛难度。更自然的做法应该是:判别网络只接受单个二维样本,通过batch size或是多步迭代学习分布信息。

另:这份代码其实有130行。

从自定义的二维分布采样

不管怎样Dev Nag的代码还是提供了一个用于理解和试验GAN的很好的框架,做一些修改就可以得到一份更适合直观演示,且更容易收敛的代码,也就是本文的例子。

从可视化的角度二维显然比一维更直观,所以我们采用二维样本。第一步,当然是要设定一个目标分布,作为二维的例子,分布的定义方式应该尽量自由,这个例子中我们的思路是通过灰度图像定义的概率密度,进而来产生样本,比如下面这样:

二维情况下,这种采样的一个实现方法是:求一个维度上的边缘(marginal)概率+另一维度上近似的条件概率。比如把图像中白色像素的值作为概率密度的相对大小,然后沿着x求和,然后在y轴上求出marginal probability density,接着再根据y的位置,近似得到对应x关于y的条件概率。采样的时候先采y的值,再采x的值就能近似得到符合图像描述的分布的样本。具体细节就不展开讲解了,看代码:

from functools import partial

import numpy

from skimage import transform


EPS = 1e-6

RESOLUTION = 0.001

num_grids = int(1/RESOLUTION+0.5)


def generate_lut(img):

    """

    linear approximation of CDF & marginal

    :param density_img:

    :return: lut_y, lut_x

    """

    density_img = transform.resize(img, (num_grids, num_grids))

    x_accumlation = numpy.sum(density_img, axis=1)

    sum_xy = numpy.sum(x_accumlation)

    y_cdf_of_accumulated_x = [[0., 0.]]

    accumulated = 0

    for ir, i in enumerate(range(num_grids-1, -1, -1)):

        accumulated += x_accumlation[i]

        if accumulated == 0:

            y_cdf_of_accumulated_x[0][0] = float(ir+1)/float(num_grids)

        elif EPS < accumulated < sum_xy – EPS:

            y_cdf_of_accumulated_x.append([float(ir+1)/float(num_grids), accumulated/sum_xy])

        else:

            break

    y_cdf_of_accumulated_x.append([float(ir+1)/float(num_grids), 1.])

    y_cdf_of_accumulated_x = numpy.array(y_cdf_of_accumulated_x)


    x_cdfs = []

    for j in range(num_grids):

        x_freq = density_img[num_grids-j-1]

        sum_x = numpy.sum(x_freq)

        x_cdf = [[0., 0.]]

        accumulated = 0

        for i in range(num_grids):

            accumulated += x_freq[i]

            if accumulated == 0:

                x_cdf[0][0] = float(i+1) / float(num_grids)

            elif EPS < accumulated < sum_xy – EPS:

                x_cdf.append([float(i+1)/float(num_grids), accumulated/sum_x])

            else:

                break

        x_cdf.append([float(i+1)/float(num_grids), 1.])

        if accumulated > EPS:

            x_cdf = numpy.array(x_cdf)

            x_cdfs.append(x_cdf)

        else:

            x_cdfs.append(None)


    y_lut = partial(numpy.interp, xp=y_cdf_of_accumulated_x[:, 1], fp=y_cdf_of_accumulated_x[:, 0])

    x_luts = [partial(numpy.interp, xp=x_cdfs[i][:, 1], fp=x_cdfs[i][:, 0]) if x_cdfs[i] is not None else None for i in range(num_grids)]


    return y_lut, x_luts


def sample_2d(lut, N):

    y_lut, x_luts = lut

    u_rv = numpy.random.random((N, 2))

    samples = numpy.zeros(u_rv.shape)

    for i, (x, y) in enumerate(u_rv):

        ys = y_lut(y)

        x_bin = int(ys/RESOLUTION)

        xs = x_luts[x_bin](x)

        samples[i][0] = xs

        samples[i][1] = ys


    return samples


if __name__ == '__main__':

    from skimage import io

    density_img = io.imread('batman.jpg', True)

    lut_2d = generate_lut(density_img)

    samples = sample_2d(lut_2d, 10000)


    from matplotlib import pyplot

    fig, (ax0, ax1) = pyplot.subplots(ncols=2, figsize=(9, 4))

    fig.canvas.set_window_title('Test 2D Sampling')

    ax0.imshow(density_img, cmap='gray')

    ax0.xaxis.set_major_locator(pyplot.NullLocator())

    ax0.yaxis.set_major_locator(pyplot.NullLocator())


    ax1.axis('equal')

    ax1.axis([0, 1, 0, 1])

    ax1.plot(samples[:, 0], samples[:, 1], 'k,')

    pyplot.show()

二维GAN的小例子

虽然网上到处都有,这里还是贴一下GAN的公式:

就是一个你追我赶的零和博弈,这在Dev Nag的代码里体现得很清晰:判别网络训一拨,然后生成网络训一拨,不断往复。按照上节所述,本文例子在Dev Nag代码的基础上,把判别网络每次接受一个batch作为输入的方式变成了:每次接受一个二维样本,通过每个batch的多个样本计算loss。GAN部分的训练代码如下:

DIMENSION = 2



generator = SimpleMLP(input_size=z_dim, hidden_size=args.g_hidden_size, output_size=DIMENSION)

discriminator = SimpleMLP(input_size=DIMENSION, hidden_size=args.d_hidden_size, output_size=1)



for train_iter in range(args.iterations):

    for d_index in range(args.d_steps):

        # 1. Train D on real+fake

        discriminator.zero_grad()


        #  1A: Train D on real

        real_samples = sample_2d(lut_2d, bs)

        d_real_data = Variable(torch.Tensor(real_samples))

        d_real_decision = discriminator(d_real_data)

        labels = Variable(torch.ones(bs))

        d_real_loss = criterion(d_real_decision, labels)  # ones = true


        #  1B: Train D on fake

        latent_samples = torch.randn(bs, z_dim)

        d_gen_input = Variable(latent_samples)

        d_fake_data = generator(d_gen_input).detach()  # detach to avoid training G on these labels

        d_fake_decision = discriminator(d_fake_data)

        labels = Variable(torch.zeros(bs))

        d_fake_loss = criterion(d_fake_decision, labels)  # zeros = fake


        d_loss = d_real_loss + d_fake_loss

        d_loss.backward()


        d_optimizer.step()     # Only optimizes D's parameters; changes based on stored gradients from backward()


    for g_index in range(args.g_steps):

        # 2. Train G on D's response (but DO NOT train D on these labels)

        generator.zero_grad()


        latent_samples = torch.randn(bs, z_dim)

        g_gen_input = Variable(latent_samples)

        g_fake_data = generator(g_gen_input)

        g_fake_decision = discriminator(g_fake_data)

        labels = Variable(torch.ones(bs))

        g_loss = criterion(g_fake_decision, labels)  # we want to fool, so pretend it's all genuine


        g_loss.backward()

        g_optimizer.step()  # Only optimizes G's parameters


    …


和Dev Nag的版本比起来除了上面提到的判别网络,和样本维度的修改,还加了可视化方便直观演示和理解,比如用一个二维高斯分布产生一个折线形状的分布,执行:

python gan_demo.py inputs/zig.jpg

训练过程的可视化如下:

更多可视化例子可以参考如下链接:

http://t.cn/Ro8aNJz

Conditional GAN

对于一些复杂的分布,原始的GAN就会很吃力,比如用一个二维高斯分布产生两坨圆形的分布:

因为latent space的分布就是一坨二维的样本,所以即使模型有很强的非线性,也难以把这个分布“切开”并变换成两个很好的圆形分布。因此在上面的动图里能看到生成的两坨样本中间总是有一些残存的样本,像是两个天体在交换物质。要改进这种情况,比较直接的想法是增加模型复杂度,或是提高latent space维度。也许模型可以学习到用其中部分维度产生一个圆形,用另一部分维度产生另一个圆形。不过我自己试了下,效果都不好。

其实这个例子人眼一看就知道是两个分布在一个图里,假设我们已经知道这个信息,那么生成依据的就是个条件概率。把这个条件加到GAN里,就是Conditional GAN,公式如下:

示意图如下:

条件信息变相降低了生成样本的难度,所以生成的样本效果好很多。

在网络中加入条件的方式没有固定的原则,这里我们采用的是可能最常见的方法:用one-hot方式将条件编码成一个向量,然后和原始的输入拼一下。注意对于判别网络和生成网络都要这么做,所以上面公式和C-GAN原文简化过度的公式比起来多了两个y,避免造成迷惑。

C-GAN的代码实现就是GAN的版本基础上,利用pytorch的torch.cat()对条件和输入进行拼接。其中条件的输入就是多张图片,每张定义一部分分布的PDF。比如对于上面两坨分布的例子,就拆成两张图像来定义PDF:

具体实现就不贴这里了,参考本文的Github页面:

http://t.cn/Ro8Svq4

加入条件信息后,两坨分布的生成就轻松搞定了,执行:

python cgan_demo.py inputs/binary

得到下面的训练过程可视化:

对于一些更复杂的分布也不在话下,比如:

这两个图案对应的原始GAN和C-GAN的训练可视化对比可以在这里看到。

应用样例

其实现在能见到的基于 GAN 的有意思应用基本都是 Conditional GAN,下篇打算介绍基于 C-GAN 的一个实(dan)用(teng)例子:

提高驾驶技术:用GAN去除(爱情)动作片中的马赛克和衣服

本文完整代码

http://t.cn/Ro8Svq4

雷锋网