第六周：生成式对抗网络

视频学习

• GAN应用：图像着色，图像超像素，背景模糊，人脸生成，人脸定制，卡通头像生成，文本生成图片，字体变换，风格变换，图像修复，帧预测。

生成式对抗网络基础

• 生成式对抗网络（GAN）
  • 框架和目标函数
  • 从博弈角度解释GAN
    • 零和博弈
    • 对抗学习
  • 从概率角度分析GAN
    • KL散度和JS散度
    • 极大似然估计和最小化KL散度
    • 数学分析
• 条件生成式对抗网络（Conditional GAN，cGAN）
  • 改进的生成式对抗网络（Improved GAN）
• 卷积生成式对抗网络（Deep Convolutional GAN，DCGAN）
• Wasserstein GAN
  • 原始GAN分析
  • WGAN：权重截断（Weight Clipping）
  • WGAN-GP：梯度惩罚（Gradient Penalty）

生成式对抗网络前沿

• 前沿方法
  • 逐渐生成的生成式对抗网络（Progressive GAN）
  • 普归一化生成式对抗网络（Spectral Normalization GAN，SNGAN）
  • 自注意力生成式对抗网络（Self-Attention GAN，SAGAN）
• 前沿应用
  • 行人再识别（Person Re-Identification，Re-ID）
  • 图片生成解决数据缺乏难题
  • 风格迁移解决训练集内部偏差问题
  • 风格迁移解决跨数据集学习问题
  • 对抗训练解决异构数据学习难题

生成式对抗网络实践

• 概念介绍
  • U型网络（U-Net）
  • 残差生成器（ResGenerator）
  • 补丁GAN（PatchGAN）
  • 实例正则化（Instance Normalization）
• Pixel2Pixel方法
• CycleGAN方法
• StarGAN方法

代码练习

生成式对抗网络(double moon)

一个简单的 GAN

生成器和判别器的结构都非常简单，具体如下：

• 生成器： 32 ==> 128 ==> 2
• 判别器： 2 ==> 128 ==> 1

生成器生成的是样本，即一组坐标（x,y），我们希望生成器能够由一组任意的 32组噪声生成座标（x,y）处于两个半月形状上。

判别器输入的是一组座标（x,y），最后一层是sigmoid函数，是一个范围在（0，1）间的数，即样本为真或者假的置信度。如果输入的是真样本，得到的结果尽量接近1；如果输入的是假样本，得到的结果尽量接近0。

import torch.nn as nn

z_dim = 32
hidden_dim = 128

# 定义生成器
net_G = nn.Sequential(
            nn.Linear(z_dim,hidden_dim),
            nn.ReLU(), 
            nn.Linear(hidden_dim, 2))

# 定义判别器
net_D = nn.Sequential(
            nn.Linear(2,hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim,1),
            nn.Sigmoid())

# 网络放到 GPU 上
net_G = net_G.to(device)
net_D = net_D.to(device)

# 定义网络的优化器
optimizer_G = torch.optim.Adam(net_G.parameters(),lr=0.0001)
optimizer_D = torch.optim.Adam(net_D.parameters(),lr=0.0001)

• 下面为对抗训练的过程：

把学习率修改为 0.001，batch_size改大到250（loss降低，改善效果）

# 定义网络的优化器
optimizer_G = torch.optim.Adam(net_G.parameters(),lr=0.001)
optimizer_D = torch.optim.Adam(net_D.parameters(),lr=0.001)

batch_size = 250

loss_D_epoch = []
loss_G_epoch = []

for e in range(nb_epochs):
    np.random.shuffle(X)
    real_samples = torch.from_numpy(X).type(torch.FloatTensor)
    loss_G = 0
    loss_D = 0
    for t, real_batch in enumerate(real_samples.split(batch_size)):
        # 固定生成器G，改进判别器D
        # 使用normal_()函数生成一组随机噪声，输入G得到一组样本
        z = torch.empty(batch_size,z_dim).normal_().to(device)
        fake_batch = net_G(z)
        # 将真、假样本分别输入判别器，得到结果
        D_scores_on_real = net_D(real_batch.to(device))
        D_scores_on_fake = net_D(fake_batch)
        # 优化过程中，假样本的score会越来越小，真样本的score会越来越大，下面 loss 的定义刚好符合这一规律，
        # 要保证loss越来越小，真样本的score前面要加负号
        # 要保证loss越来越小，假样本的score前面是正号（负负得正）
        loss = -torch.mean(torch.log(1-D_scores_on_fake) + torch.log(D_scores_on_real))
        # 梯度清零
        optimizer_D.zero_grad()
        # 反向传播优化
        loss.backward()
        # 更新全部参数
        optimizer_D.step()
        loss_D += loss
                    
        # 固定判别器，改进生成器
        # 生成一组随机噪声，输入生成器得到一组假样本
        z = torch.empty(batch_size,z_dim).normal_().to(device)
        fake_batch = net_G(z)
        # 假样本输入判别器得到 score
        D_scores_on_fake = net_D(fake_batch)
        # 我们希望假样本能够骗过生成器，得到较高的分数，下面的 loss 定义也符合这一规律
        # 要保证 loss 越来越小，假样本的前面要加负号
        loss = -torch.mean(torch.log(D_scores_on_fake))
        optimizer_G.zero_grad()
        loss.backward()
        optimizer_G.step()
        loss_G += loss
    
    if e % 50 ==0:
        print(f'
 Epoch {e} , D loss: {loss_D}, G loss: {loss_G}') 

    loss_D_epoch.append(loss_D)
    loss_G_epoch.append(loss_G)

Epoch 950 , D loss: 11.052919387817383, G loss: 5.581031799316406

• 利用噪声生成一组数据观察一下：

  z = torch.empty(n_samples,z_dim).normal_().to(device)
  fake_samples = net_G(z)
  fake_data = fake_samples.cpu().data.numpy()

  fig, ax = plt.subplots(1, 1, facecolor='#4B6EA9')
  all_data = np.concatenate((X,fake_data),axis=0)
  Y2 = np.concatenate((np.ones(n_samples),np.zeros(n_samples)))
  plot_data(ax, all_data, Y2)
  plt.show()

其中，白色的是原来的真实样本，黑色的点是生成器生成的样本。

CGAN 和 DCGAN

CGAN

首先实现CGAN。下面分别是 判别器 和 生成器 的网络结构，可以看出网络结构非常简单，具体如下：

• 生成器：(784 + 10) ==> 512 ==> 256 ==> 1
• 判别器：(100 + 10) ==> 128 ==> 256 ==> 512 ==> 784

可以看出，去掉生成器和判别器那 10 维的标签信息，和普通的GAN是完全一样的。下面是网络的具体实现代码：

class Discriminator(nn.Module):
	'''全连接判别器，用于1x28x28的MNIST数据,输出是数据和类别'''
	def __init__(self):
		super(Discriminator, self).__init__()
		self.model = nn.Sequential(
			  nn.Linear(28*28+10, 512),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(512, 256),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(256, 1),
			  nn.Sigmoid()
		)
  
	def forward(self, x, c):
		x = x.view(x.size(0), -1)
		validity = self.model(torch.cat([x, c], -1))
		return validity

class Generator(nn.Module):
	'''全连接生成器，用于1x28x28的MNIST数据，输入是噪声和类别'''
	def __init__(self, z_dim):
		super(Generator, self).__init__()
		self.model = nn.Sequential(
			  nn.Linear(z_dim+10, 128),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(128, 256),
			  nn.BatchNorm1d(256, 0.8),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(256, 512),
			  nn.BatchNorm1d(512, 0.8),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(in_features=512, out_features=28*28),
			  nn.Tanh()
	 	)

	def forward(self, z, c):
		x = self.model(torch.cat([z, c], dim=1))
		x = x.view(-1, 1, 28, 28)
		return x

• 下面定义相关的模型：

  初始化构建判别器和生成器

  discriminator = Discriminator().to(device)
  generator = Generator(z_dim=z_dim).to(device)

  初始化二值交叉熵损失

  bce = torch.nn.BCELoss().to(device)
  ones = torch.ones(batch_size).to(device)
  zeros = torch.zeros(batch_size).to(device)

  初始化优化器，使用Adam优化器

  g_optimizer = optim.Adam(generator.parameters(), lr=learning_rate)
  d_optimizer = optim.Adam(discriminator.parameters(), lr=learning_rate)

• 开始训练：

  开始训练，一共训练total_epochs

  for epoch in range(total_epochs):

    # torch.nn.Module.train() 指的是模型启用 BatchNormalization 和 Dropout
    # torch.nn.Module.eval() 指的是模型不启用 BatchNormalization 和 Dropout
    # 因此，train()一般在训练时用到， eval() 一般在测试时用到
    generator = generator.train()
  
    # 训练一个epoch
    for i, data in enumerate(dataloader):
  
    	# 加载真实数据
    	real_images, real_labels = data
    	real_images = real_images.to(device)
    	# 把对应的标签转化成 one-hot 类型
    	tmp = torch.FloatTensor(real_labels.size(0), 10).zero_()
    	real_labels = tmp.scatter_(dim=1, index=torch.LongTensor(real_labels.view(-1, 1)), value=1)
    	real_labels = real_labels.to(device)
  
    	# 生成数据
    	# 用正态分布中采样batch_size个随机噪声
    	z = torch.randn([batch_size, z_dim]).to(device)
    	# 生成 batch_size 个 ont-hot 标签
    	c = torch.FloatTensor(batch_size, 10).zero_()
    	c = c.scatter_(dim=1, index=torch.LongTensor(np.random.choice(10, batch_size).reshape([batch_size, 1])), value=1)
    	c = c.to(device)
    	# 生成数据
    	fake_images = generator(z,c)
  
    	# 计算判别器损失，并优化判别器
    	real_loss = bce(discriminator(real_images, real_labels), ones)
    	fake_loss = bce(discriminator(fake_images.detach(), c), zeros)
    	d_loss = real_loss + fake_loss
  
    	d_optimizer.zero_grad()
    	d_loss.backward()
    	d_optimizer.step()
  
    	# 计算生成器损失，并优化生成器
    	g_loss = bce(discriminator(fake_images, c), ones)
  
    	g_optimizer.zero_grad()
    	g_loss.backward()
    	g_optimizer.step()
  
    # 输出损失
    print("[Epoch %d/%d] [D loss: %f] [G loss: %f]" % (epoch, total_epochs, d_loss.item(), g_loss.item()))
  

• 下面我们用随机噪声生成一组图像，看看CGAN的效果：

  用于生成效果图

  生成100个随机噪声向量

  fixed_z = torch.randn([100, z_dim]).to(device)

  生成100个one_hot向量，每类10个

  fixed_c = torch.FloatTensor(100, 10).zero_()
  fixed_c = fixed_c.scatter_(dim=1, index=torch.LongTensor(np.array(np.arange(0, 10).tolist()*10).reshape([100, 1])), value=1)
  fixed_c = fixed_c.to(device)

  generator = generator.eval()
  fixed_fake_images = generator(fixed_z, fixed_c)

  plt.figure(figsize=(8, 8))
  for j in range(10):
  for i in range(10):
  img = fixed_fake_images[j10+i, 0, :, :].detach().cpu().numpy()
  img = img.reshape([28, 28])
  plt.subplot(10, 10, j10+i+1)
  plt.imshow(img, 'gray')

考虑到上面代码是把图像直接拉成一个向量来处理，没有考虑空间上的特性，因此，效果理论上会不如使用卷积操作的 DCGAN。两者代码也非常类似，我们下面比较一下。

DCGAN

下面我们实现DCGAN。下面分别是 判别器 和 生成器 的网络结构，和之前类似，只是使用了卷积结构。

class D_dcgan(nn.Module):
	'''滑动卷积判别器'''
	def __init__(self):
		super(D_dcgan, self).__init__()
		self.conv = nn.Sequential(
            # 第一个滑动卷积层，不使用BN，LRelu激活函数
            nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=2, padding=1),
            nn.LeakyReLU(0.2, inplace=True),
            # 第二个滑动卷积层，包含BN，LRelu激活函数
            nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=2, padding=1),
            nn.BatchNorm2d(32),
            nn.LeakyReLU(0.2, inplace=True),
            # 第三个滑动卷积层，包含BN，LRelu激活函数
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=2, padding=1),
            nn.BatchNorm2d(64),
            nn.LeakyReLU(0.2, inplace=True),
            # 第四个滑动卷积层，包含BN，LRelu激活函数
            nn.Conv2d(in_channels=64, out_channels=128, kernel_size=4, stride=1),
            nn.BatchNorm2d(128),
            nn.LeakyReLU(0.2, inplace=True)
        )

		# 全连接层+Sigmoid激活函数
		self.linear = nn.Sequential(nn.Linear(in_features=128, out_features=1), nn.Sigmoid())

	def forward(self, x):
		x = self.conv(x)
		x = x.view(x.size(0), -1)
		validity = self.linear(x)
		return validity

class G_dcgan(nn.Module):
	'''反滑动卷积生成器'''

	def __init__(self, z_dim):
		super(G_dcgan, self).__init__()
		self.z_dim = z_dim
		# 第一层：把输入线性变换成256x4x4的矩阵，并在这个基础上做反卷机操作
		self.linear = nn.Linear(self.z_dim, 4*4*256)
		self.model = nn.Sequential(
            # 第二层：bn+relu
            nn.ConvTranspose2d(in_channels=256, out_channels=128, kernel_size=3, stride=2, padding=0),
            nn.BatchNorm2d(128),
            nn.ReLU(inplace=True),
            # 第三层：bn+relu
            nn.ConvTranspose2d(in_channels=128, out_channels=64, kernel_size=3, stride=2, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True),
            # 第四层:不使用BN，使用tanh激活函数
            nn.ConvTranspose2d(in_channels=64, out_channels=1, kernel_size=4, stride=2, padding=2),
            nn.Tanh()
        )

	def forward(self, z):
		# 把随机噪声经过线性变换，resize成256x4x4的大小
		x = self.linear(z)
		x = x.view([x.size(0), 256, 4, 4])
		# 生成图片
		x = self.model(x)
		return x

• 定义相关的模型：

  构建判别器和生成器

  d_dcgan = D_dcgan().to(device)
  g_dcgan = G_dcgan(z_dim=z_dim).to(device)

  def weights_init_normal(m):
  classname = m.class.name
  if classname.find('Conv') != -1:
  torch.nn.init.normal_(m.weight.data, 0.0, 0.02)
  elif classname.find('BatchNorm2d') != -1:
  torch.nn.init.normal_(m.weight.data, 1.0, 0.02)
  torch.nn.init.constant_(m.bias.data, 0.0)

  使用均值为0，方差为0.02的正态分布初始化神经网络

  d_dcgan.apply(weights_init_normal)
  g_dcgan.apply(weights_init_normal)

  初始化优化器，使用Adam优化器

  g_dcgan_optim = optim.Adam(g_dcgan.parameters(), lr=learning_rate)
  d_dcgan_optim = optim.Adam(d_dcgan.parameters(), lr=learning_rate)

  加载MNIST数据集，和之前不同的是，DCGAN输入的图像被 resize 成 32*32 像素

  dcgan_dataloader = torch.utils.data.DataLoader(
  datasets.MNIST('./data', train=True, download=True,
  transform=transforms.Compose([transforms.Resize(32), transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))])
  ), batch_size, shuffle=True, drop_last=True)

• 开始训练模型：

  开始训练，一共训练 total_epochs

  for e in range(total_epochs):

    # 给generator启用 BatchNormalization
    g_dcgan = g_dcgan.train()
    # 训练一个epoch
    for i, data in enumerate(dcgan_dataloader):
  
    	# 加载真实数据，不加载标签
    	real_images, _ = data
    	real_images = real_images.to(device)
  
    	# 用正态分布中采样batch_size个噪声，然后生成对应的图片
    	z = torch.randn([batch_size, z_dim]).to(device)
    	fake_images = g_dcgan(z)
  
    	# 计算判别器损失，并优化判别器
    	real_loss = bce(d_dcgan(real_images), ones)
    	fake_loss = bce(d_dcgan(fake_images.detach()), zeros)
    	d_loss = real_loss + fake_loss
  
    	d_dcgan_optim.zero_grad()
    	d_loss.backward()
    	d_dcgan_optim.step()
  
    	# 计算生成器损失，并优化生成器
    	g_loss = bce(d_dcgan(fake_images), ones)
  
    	g_dcgan_optim.zero_grad()
    	g_loss.backward()
    	g_dcgan_optim.step()
    	
    # 输出损失
    print ("[Epoch %d/%d] [D loss: %f] [G loss: %f]" % (e, total_epochs, d_loss.item(), g_loss.item()))
  

• 下面我们用一组随机噪声输出图像，看看DCGAN的效果：

  用于生成效果图

  生成100个随机噪声向量

  fixed_z = torch.randn([100, z_dim]).to(device)
  g_dcgan = g_dcgan.eval()
  fixed_fake_images = g_dcgan(fixed_z)

  plt.figure(figsize=(8, 8))
  for j in range(10):
  for i in range(10):
  img = fixed_fake_images[j10+i, 0, :, :].detach().cpu().numpy()
  img = img.reshape([32, 32])
  plt.subplot(10, 10, j10+i+1)
  plt.imshow(img, 'gray')

这里只用了30个 epoch，效果还可以，如果增大 epoch 的数量，效果可能会更好。