【技术博客】GAN入门实践

作者：梅昊铭

1. 原理介绍

GAN全称是 Generative Adversarial Network，即生成对抗网络。Generative 学习一个生成式模型；Adversarial 使用对抗的方法训练；Networks 使用神经网络。GAN 模型是一种通过对抗的方式去学习数据分布的生成式模型，其核心思想就是通过生成式网络G（Generator）和判别网络D（Discriminator）不断博弈，来达到生成真数据的目的。 Ge GAN的思想启发自博弈论中的零和游戏，包含一个生成网络 G 和一个判别网络 D：

G是一个生成式的网络，它接收一个随机的噪声 Z，通过 Generator 生成假数据
D是一个判别网络，判别输入数据的真实性。它的输入是X，输出D(X)代表X为真实数据的概率
训练过程中，生成网络G的目标是尽量生成真实的数据去欺骗判别网络D。而D的目标就是尽量辨别出G生成的假数据和真数据。这个博弈过程最终的平衡点是纳什均衡点

2. 入门实践

2.1 准备工作

本教程利用Pytorch来搭建一个简单GAN网络来生成MINIST数据。实验中采用的本地环境配置为 python == 3.7.7，torch.version==1.6.1。采用的线上人工智能建模平台是 Mo。请在实验前配置好本地的Python环境，或者直接使用线上平台。项目地址：momodel.cn/workspace/5…

2.2 GAN网络的Pytorch实现

2.2.1 预处理阶段

首先，我们导入相应的Python包，并配置实验的设备环境。

# 导包
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torchvision.utils import save_image

# 设备配置
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

2.2.2 MINIST数据集

加载MINIST数据集，同时做transform预处理。

bs = 128

# 加（下）载 MNIST 数据集
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=(0.5,), std=(0.5,))])

train_dataset = datasets.MNIST(root='./mnist_data/', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./mnist_data/', train=False, transform=transform, download=False)

# Data Loader
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=bs, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=bs, shuffle=False)

2.2.3 生成器

定义生成器G 类, 该生成器由四个全连接层组成；此处亦可使用卷积层、池化层、BatchNormalize层等创建判别器，注意输入输出的向量维度即可。

class Generator(nn.Module):
    # 生成器由四个全连接层组成
    def __init__(self, g_input_dim, g_output_dim):
        super(Generator, self).__init__()       
        self.fc1 = nn.Linear(g_input_dim, 256)
        self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features*2)
        self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features*2)
        self.fc4 = nn.Linear(self.fc3.out_features, g_output_dim)
    
    # 定义前向传播
    def forward(self, x): 
        x = F.leaky_relu(self.fc1(x), 0.2)
        x = F.leaky_relu(self.fc2(x), 0.2)
        x = F.leaky_relu(self.fc3(x), 0.2)
        return torch.tanh(self.fc4(x))

2.2.4 判别器

定义判别器D 类，该判别器由四个全连接组成；同理，此处也可采用卷积池化层来创建判别器，读者可自行尝试。

class Discriminator(nn.Module):
    # 判别器由四个全连接层组成
    def __init__(self, d_input_dim):
        super(Discriminator, self).__init__()
        self.fc1 = nn.Linear(d_input_dim, 1024)
        self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features//2)
        self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features//2)
        self.fc4 = nn.Linear(self.fc3.out_features, 1)
    
    # 定义前向传播
    def forward(self, x):
        x = F.leaky_relu(self.fc1(x), 0.2)
        x = F.dropout(x, 0.3)
        x = F.leaky_relu(self.fc2(x), 0.2)
        x = F.dropout(x, 0.3)
        x = F.leaky_relu(self.fc3(x), 0.2)
        x = F.dropout(x, 0.3)
        return torch.sigmoid(self.fc4(x))

2.2.4 创建实例

利用上述定义好的生成器、判别器类，创建生成器和判别器实例。

# 噪声维度
z_dim = 100
# train_data.size(): (-1, 28, 28)
mnist_dim = train_dataset.train_data.size(1) * train_dataset.train_data.size(2)

G = Generator(g_input_dim = z_dim, g_output_dim = mnist_dim).to(device)
D = Discriminator(mnist_dim).to(device)

2.2.5 对抗生成训练

在训练模型之前，我们需要先确定的损失函数和优化器，这里采用交叉熵作为损失函数，使用Adam优化器。

# 定义交叉熵损失函数
criterion = nn.BCELoss() 

# 定义优化器
lr = 0.0002 
G_optimizer = optim.Adam(G.parameters(), lr = lr)
D_optimizer = optim.Adam(D.parameters(), lr = lr)

定义判别器的训练过程。判别器的训练过程由两部分组成，一部分为真实数据产生的Loss，一部分为对抗样本产生的数据。我们希望判别器D能够准确地区分出真实数据和对抗样本。所以我们将真实数据的标签设置为1， 对抗样本的标签设置为0，分别计算两部分的Loss，求和作为判别器的Loss并优化。

def D_train(x):
    # ================================================================== #
    #                      训练判别模型                      #
    # ================================================================== #
    D.zero_grad()



    # 真实数据，标签为1
    x_real, y_real = x.view(-1, mnist_dim), torch.ones(bs, 1)
    x_real, y_real = Variable(x_real.to(device)), Variable(y_real.to(device))
    # 计算real_损失
    # 使用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算realimage的判别损失
    # 其中第二项永远为零，因为real_labels == 1
    D_output = D(x_real)
    D_real_loss = criterion(D_output, y_real)
    D_real_score = D_output


    # 在对抗样本，标签为0
    z = Variable(torch.randn(bs, z_dim).to(device))
    # 生成模型根据随机输入生成fake_images（对抗样本）
    x_fake, y_fake = G(z), Variable(torch.zeros(bs, 1).to(device))
    # 使用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算fakeImage的判别损失
    # 其中第二项永远为零，因为fake_labels == 0
    D_output = D(x_fake)
    D_fake_loss = criterion(D_output, y_fake)
    D_fake_score = D_output

    # 反向传播和优化
    D_loss = D_real_loss + D_fake_loss
    D_loss.backward()
    D_optimizer.step()
        
    return  D_loss.data.item()

定义生成器的训练过程。首先由生成器G，产生一个对抗样本z。我们希望判别器D对该样本的是判别结果D(z) = 1,所以这里我们将z的标签设置为1，计算生成器的Loss并优化。

def G_train(x):
    # ================================================================== #
    #                       训练生成模型                       #
    # ================================================================== #
    G.zero_grad()

    # 生成模型根据随机输入生成fake_images（标签为1）,然后判别模型进行判别
    z = Variable(torch.randn(bs, z_dim).to(device))
    y = Variable(torch.ones(bs, 1).to(device))

    G_output = G(z)
    D_output = D(G_output)
    G_loss = criterion(D_output, y)

    # 反向传播和优化
    G_loss.backward()
    G_optimizer.step()
        
    return G_loss.data.item()

2.2.6 模型训练

具体的训练过程为，先训练一次判别器D，再训练一次生成器G，然后循环。

n_epoch = 10
loss_file = open("loss.txt", 'w')
for epoch in range(1, n_epoch+1):           
    D_losses, G_losses = [], []
    for batch_idx, (x, _) in enumerate(train_loader):
        # 丢弃不满整个batch_size的数据
        if(len(x) != bs):
            continue
        D_losses.append(D_train(x))
        G_losses.append(G_train(x))
    loss_file.write('[{}/{}]: loss_d: {:.3f}, loss_g: {:.3f}\n'.format((epoch), n_epoch, torch.mean(torch.FloatTensor(D_losses)), torch.mean(torch.FloatTensor(G_losses))))
loss_file.close()

3. 参考资料

Goodfellow, Ian, et al. "Generative Adversarial Networks": arxiv.org/pdf/1406.26…
Github项目：github.com/lyeoni/pyto…
博客：shenxiaohai.me/2018/10/20/…
Pytorch文档：pytorch.apachecn.org/