機(jī)器學(xué)習(xí)GAN框架初探

1、    機(jī)器學(xué)習(xí)gan框架初探    閆東杰摘要：對于機(jī)器學(xué)習(xí)，最常見的是按照數(shù)據(jù)標(biāo)簽形式劃分，可分為：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。本文分析研究了機(jī)器學(xué)習(xí)gan框架。關(guān)鍵詞：人工智能;機(jī)器學(xué)習(xí);無監(jiān)督學(xué)習(xí)：tp181 ：a ：1007-9416（2019）06-0195-020 引言對于原始的gan網(wǎng)絡(luò)，實際上還是種生成模型，與傳統(tǒng)的生成模型不同的是，在對生成器進(jìn)行訓(xùn)練的過程中，引入判別器，并對判別器訓(xùn)練更新后，再進(jìn)行生成器的訓(xùn)練，然后通過交替訓(xùn)練，最終得到較為理想的生成器，“順便”得到一個判別能力較強(qiáng)的判別器。這樣，用一種巧妙的方法，較

2、好解決了傳統(tǒng)生成式模型中模擬最大似然估計過程所帶來的需要訓(xùn)練復(fù)雜模型的問題。cnn（卷積神經(jīng)網(wǎng)絡(luò)）在圖片生成方面是一個較為成熟的模型，將cnn引入，對gan框架中生成器與判別器進(jìn)行對應(yīng)的改造，得到的便為dcgan（深度卷積生成式對抗網(wǎng)絡(luò)）。1 原始gan框架gan的一個基本的應(yīng)用是樣本生成，這里以圖片為例進(jìn)行相關(guān)的樣本生成，以此來介紹gan框架的基本組成、模塊結(jié)構(gòu)、訓(xùn)練過程。原始gan框架的整體模型結(jié)構(gòu)如圖1所示。gan框架最主要的構(gòu)成是生成器與判別器：（1）生成器。為全連接的神經(jīng)網(wǎng)絡(luò)，即多層感知機(jī)。多層感知機(jī)的參數(shù)在gan運行的初始階段是隨機(jī)的，其內(nèi)部各神經(jīng)元的權(quán)重、偏值，在程序化時可由初始

3、函數(shù)進(jìn)行實現(xiàn)。這就是說，在剛開始引入的時候，并不需要對生成網(wǎng)絡(luò)進(jìn)行預(yù)先的訓(xùn)練。其通過前向傳播，盡量去模仿、建模和學(xué)習(xí)真實數(shù)據(jù)的分布規(guī)律。通過反向傳播來學(xué)習(xí)并進(jìn)行內(nèi)部參數(shù)更新。（2）判別器。其本質(zhì)為全連接型的神經(jīng)網(wǎng)絡(luò)構(gòu)成的二分類器。其參數(shù)在初始時內(nèi)部參數(shù)是隨機(jī)生成的，同樣不需要預(yù)先進(jìn)行參數(shù)設(shè)置或者訓(xùn)練。其判別自己所得到的一個輸入數(shù)據(jù)，到底是來自于真實的數(shù)據(jù)分布還是來自于一個生成模型，輸出結(jié)果為一個概率值，表明判別器認(rèn)為數(shù)據(jù)來自真實分布的概率。通過反向傳播來進(jìn)行參數(shù)更新。（3）其他模塊。gan框架中，除了最主要的生成器和判別器，還有些重要的功能模塊。噪聲處理模塊;隨機(jī)噪聲z是具有某個已知分布的噪聲

4、，分布的類型可以進(jìn)行設(shè)定的，常用的分布有高斯分布與平均分布。隨機(jī)噪聲對于生成網(wǎng)絡(luò)的輸入，效果相當(dāng)于對自動控制系統(tǒng)輸入簡單的單位信號，當(dāng)?shù)玫捷敵鼋Y(jié)果時，其拉普拉斯變換后的函數(shù)就是系統(tǒng)的傳遞函數(shù)。同理，這樣對于輸出圖片的分布的參數(shù)就是生成網(wǎng)絡(luò)的內(nèi)部參數(shù)。通過預(yù)處理轉(zhuǎn)化模塊，對于原始的gan來講，轉(zhuǎn)化為一維的特征向量，這樣才能與后面的生成網(wǎng)絡(luò)輸入層進(jìn)行對接。這樣處理后的數(shù)據(jù)更加的清晰，且特征的個數(shù)對應(yīng)著輸入層神經(jīng)元的個數(shù)。生成分布抽樣模塊;真實樣本預(yù)處理模塊;損失函數(shù)計算模塊。2 “對抗”訓(xùn)練gan框架的基本思想，就是通過一個生成神經(jīng)網(wǎng)絡(luò)去模擬真實給定的數(shù)據(jù)，這個神經(jīng)網(wǎng)絡(luò)模擬的是最大似然估計的過程，

5、從而達(dá)到生成的目的。優(yōu)化生成器是通過引入判別器后，順承判別器的更新，進(jìn)行反向傳播優(yōu)化的?，F(xiàn)在有一個神經(jīng)網(wǎng)絡(luò)模型，希望它的參數(shù)可以達(dá)到最優(yōu)，然后通過模擬最大似然估計的過程，很明顯，最后也會得到“真實圖片”。所以有以下式（1）：（1）式中：g為生成器參數(shù)，d為判別器參數(shù)，v（g d）為引入的差距函數(shù)，m為訓(xùn)練樣本的數(shù)目，d（x）為判別器對真實樣本的判斷屬于真實數(shù)據(jù)的概率，d（g（z）為判別器對生成樣本的判斷屬于真實數(shù)據(jù)的概率。當(dāng)返回?fù)p失函數(shù)梯度后，首先是對判別器優(yōu)化，因為生成器的參數(shù)這時是確定的、不變的，所以差距函數(shù)就可以看做只與判別器參數(shù)有關(guān)，有就是說，固定生成器后，調(diào)整判別器參數(shù)的同時，就影響

6、著差距函數(shù)的值。判別器的目的是希望更好地區(qū)分真實圖片與生成圖片，當(dāng)然需要使差距函數(shù)越大越好，所以優(yōu)化過程的第一步是優(yōu)化判別器：                       （2）式中：d1為在系統(tǒng)在g0確定、d0判定結(jié)果的前提下使得插句話最大時判別器的參數(shù)，g0為生成器的初始參數(shù)，d0為判別器的初始參數(shù)。由式（2）可得：                      &#

7、160;    （3）這時判別器的參數(shù)得到了更新，那對于生成器呢？更新后的判別器還需要再次對生成圖片進(jìn)行判斷。相較于更新之前的判別器，優(yōu)化后相當(dāng)于用更為嚴(yán)苛的標(biāo)準(zhǔn)去識別生成圖片。而生成器的目標(biāo)是希望盡可能真實地產(chǎn)生圖片，當(dāng)判別器用更為嚴(yán)格的方式去識別，生成器依舊能很好地生成，這就得更加接近最優(yōu)解，所以從生成器的角度，需要使式（3）的值更小，所以得到公式：（4）式中：g1為更新后的生成器的參數(shù)。將式（3）代入式（4）可得：（5）式中：d1（x）為更新后判別器對真實圖片的判定結(jié)果，d1（g（z）為更新后判別器對生成圖片的判定結(jié)果。在這個過程中，判別器的目標(biāo)是把生成器生成的圖片和

8、真實的圖片區(qū)分開來，得到兩個判定概率，將結(jié)果返回判別器d中計算損失函數(shù)與梯度，再用梯度上升法進(jìn)行更新參數(shù)，最后，對生成數(shù)據(jù)的最后一次判定，結(jié)果返回生成網(wǎng)絡(luò)，計算對應(yīng)的損失函數(shù)并反向傳播更新參數(shù)。這是一個完整的訓(xùn)練過程，在一次訓(xùn)練中，判別網(wǎng)絡(luò)與生成網(wǎng)絡(luò)依次得到參數(shù)更新，相應(yīng)的判別能力與生成能力增強(qiáng)。然后在進(jìn)行下一輪訓(xùn)練樣本的輸入。這樣，生成網(wǎng)絡(luò)g和判別網(wǎng)絡(luò)d構(gòu)成了一個所謂的動態(tài)的“對抗博弈過程”。假設(shè)每次得到的參數(shù)都是理想的，對判別網(wǎng)絡(luò)的參數(shù)都會得到階段性的最優(yōu)解，對生成網(wǎng)絡(luò)也得到了最優(yōu)解，結(jié)果指向就是生成分布等于真實分布，gan在最理想的狀態(tài)下達(dá)到了納什平衡。在生成模塊g可以生成足以“以假亂真

9、”的生成圖片;對于判別模塊d來說，此時的它難以判定g生成的圖片是否是來自真實樣本。這就很好地體現(xiàn)了生成網(wǎng)絡(luò)從無到有產(chǎn)生“真實圖片”的過程。3 引入cnncnn，即卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network），是受到生物思考方式啟發(fā)的多層感知器，是一種前饋神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)元可以響應(yīng)周圍單元，這種網(wǎng)絡(luò)可以用來進(jìn)行大型的圖像處理。卷積神經(jīng)網(wǎng)絡(luò)在實際上就是一種從輸入到輸出的映射，它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何輸入和輸出之間的精確的數(shù)學(xué)表達(dá)式，只要用已知的模式對卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出對之間的映射能力。與普通神經(jīng)網(wǎng)絡(luò)把輸入層、隱含層與輸出

10、層之間進(jìn)行全連接的設(shè)計相比，cnn對隱含單元和輸入單元間的連接數(shù)量加以限制：每個隱含單元僅僅只能連接輸入數(shù)據(jù)的一部分;而且，通過多層卷積層進(jìn)行圖像的淺層特征提取與多層池化層深層特征提取，將圖片轉(zhuǎn)化為簡單的特征向量，這樣一來，不僅能處理規(guī)格較大的圖片，經(jīng)過前向生成與反向更新的方式來學(xué)習(xí)整幅圖像上的特征，整個過程耗時急劇縮短，計算量更小，運行時占用較小的內(nèi)存，而且生成效果更穩(wěn)定，判別器更快收斂。cnn的引入主要是對生成器與判別器的改進(jìn)。改進(jìn)后的整體模型結(jié)構(gòu)如圖2所示。但是，引入不是單純地將cnn所有層直接接入gan中就可以了，需要分別對生成器與判別器做一些變動：（1）對于生成器。中間層每層使用bn

11、函數(shù)進(jìn)行歸一化處理。取消所有池化層。使用相應(yīng)的轉(zhuǎn)置卷積函數(shù)進(jìn)行處理。在每一層操作之后，數(shù)據(jù)輸出經(jīng)過一個relu函數(shù)作為激活函數(shù)。除去全連接層。輸出層使用tanh作為激活函數(shù)而不能用relu函數(shù)。（2）對于判別器。中間每層在激活函數(shù)層后使用bn函數(shù)進(jìn)行歸一化處理。取消所有池化層，使用stride來代替池化層。在每一層操作之后，數(shù)據(jù)輸出經(jīng)過一個leakyrelu函數(shù)。除去全連接層。輸出層使用sigmoid作為激活函數(shù)，目的是要得到一個判定概率。輸出層里不使用bn函數(shù)進(jìn)行歸一化操作。4 結(jié)語gan是一個十分靈活的框架，經(jīng)過全世界研究人員對gan網(wǎng)絡(luò)模型從框架組成、結(jié)構(gòu)、訓(xùn)練方法、損失函數(shù)類型、數(shù)據(jù)處

12、理方法、增加約束條件、穩(wěn)定性等方面不斷地探索，原始gan模型已經(jīng)衍生出超過100種模型框架，諸如cgan、dcgan、wgan、infogan等。gan網(wǎng)絡(luò)的適用范圍現(xiàn)如今已經(jīng)非常廣了，從剛開始最基本的圖片生成，到現(xiàn)在可以很好地應(yīng)用在樣本轉(zhuǎn)換、生成領(lǐng)域，可以用在圖像合成、圖像編輯、風(fēng)格遷移、圖像超分辨率以及圖形轉(zhuǎn)換、音頻的特征處理、智能創(chuàng)造等方面。a preliminary study of gan framework for machine learningyan dong-jie（college of automation， beijing university of information technology，beijing 100192）abstract：for machine learning， the most common classification is in the form of data labels， which can be divided into： supervised learning， semi-supervised learning， unsupe