最近，生成模型的快速發展引起了廣泛的關注，尤其是由Goodfellow等人發明的生成對抗網絡（GANs），其所建立的學習框架就像老頑童的“左右互搏術”，由生成器G和判別器D組成，兩者在博弈過程中扮演著不同角色。

對于給定訓練數據Dt，生成器G的目的就是創建與訓練數據Dt具有相同概率分布的樣本。判別器D屬于常見的二分類器，主要負責兩個工作。 首先，它要判別輸入究竟是來自真實的數據分布（Dt）還是生成器；此外，判別器通過反傳梯度指導生成器G創造更逼真的樣本，這也是生成器G優化其模型參數的唯一途徑。在博弈過程中，生成器G將隨機噪聲作為輸入并生成樣本圖像Gsample，要使判別器D以為這是來自真實訓練集Dt的判斷概率最大化。

訓練期間，判別器D的一半時間將訓練集Dt的圖像作為輸入，另一半時間將生成器得到的圖像Gsample作為輸入。訓練判別器D要能最大化分類正確的概率，能夠區分來自訓練集的真實圖像和來自生成器的假樣本。最后，希望博弈最終能達到平衡——納什均衡。

所以，生成器G要能使得生成的概率分布和真實數據分布盡量接近，這樣判別器D就無法區分真實或假冒的樣本。

在過去的幾年中，GANs已經被用于許多不同的應用，包括：生成合成數據，圖像素描，半監督學習，超分辨率和文本到圖像生成。然而，大部分關于GANs的工作都集中在開發穩定的訓練技術上。的確，我們都知道GANs在訓練期間是不穩定的，并且對超參數的選擇十分敏感。本文將簡要介紹目前GANs前沿技術，關于如何提高生成器G樣本質量的新方法。

卷積生成對抗網絡

深度卷積生成對抗網絡（DCGAN）為GANs能夠成功用于圖像生成邁進了一大步。它屬于ConvNets家族的一員，利用一些結構約束使得GANs的訓練更穩定。在DCGAN中，生成器G由一系列轉置卷積算子組成，對于輸入的隨機噪聲向量z，通過逐漸增加和減少特征的空間維度，對其進行變換。

使用DCNNs進行無監督表示學習的網絡結構示意圖

DCGAN引入了一系列網絡結構來幫助GAN訓練更穩定，它使用帶步幅的卷積而不是池化層。此外，它對生成器和判別器都使用BatchNorm，生成器中使用的是ReLU和Tanh激活函數，而判別器中使用Leaky ReLU激活函數。下面，我們來具體看一下：

BatchNorm是為了將層輸入的特征進行規范化，使其具備零均值和單位方差的特性。BatchNorm對于網絡訓練是至關重要的，它可以讓層數更深的模型工作正常而不會發生模式崩塌。模式崩塌是指生成器G創建的樣本具有非常低的多樣性，換句話說就是生成器G對于不同的輸入信號都返回相同的樣本。此外，BatchNorm有助于處理由于參數初始化不良引起的問題。

此外，DCGAN在判別器網絡中使用Leaky ReLU激活函數。與常規ReLU函數不同，Leaky ReLU不會把所有的負值都置零，而是除以一個比例，這樣就能傳遞一些很小的負的梯度信號，從而使判別器中更多的非零梯度進入生成器。

ReLU函數（左），Leaky ReLU（右），與ReLU不同，Leaky ReLU函數對于x軸左側的負值導數不為零。

DCGAN這樣的網絡結構目前仍被廣泛應用，但大部分的工作都集中在如何使GAN訓練更加穩定。

1.基于自注意力的生成對抗網絡

自注意力生成對抗網絡（Self-Attention for Generative Adversarial Networks，SAGAN）是這種類型的網絡之一。近來，基于注意力的方法已經被成功用于機器翻譯等問題上。 自注意力GANs具有特殊的網絡結構，使得生成器G能夠建模長程依賴關系，核心思想是使生成器G能夠生成具有全局細節信息的樣本。

如果我們看一下DCGAN模型會發現常規的GANs模型主要基于卷積，使用局部感受野（卷積核）來學習表征。 卷積具有很多非常好的屬性，比如參數共享和平移不變性。

典型的深度卷積網絡(Deep ConvNets)通過層級遞進的方式來學習表征。 用于圖像分類的常規ConvNets前幾層中只會學到邊緣和角點等簡單的特征。然而ConvNets卻能夠使用這些簡單的表征來學習到更為復雜的表征。 簡而言之，ConvNets的表征學習是基于簡單的特征表示，很難學習到長程依賴關系。

實際上，它可能只適用于低分辨率特征向量。問題在于，在這種粒度下，信號的損失量難以對長程細節進行建模。下面我們看一些樣本圖像：

使用DCNNs進行無監督表示學習的生成樣本示意圖

這些圖像是使用DCGAN模型基于ImageNet數據集訓練而生成得到的。正如自注意力GANs文章中所指出的，對于含有較少結構約束的類別，比如海洋、天空等，得到結果較好；而對于含有較多幾何或結構約束的類別則容易失敗，比如合成圖像中狗（四足動物）的毛看起來很真實但手腳很難辨認。這是因為復雜的幾何輪廓需要長程細節，卷積本身不具備這種能力，這也是注意力能發揮很好作用的地方。

所以解決這一問題的核心想法在于不局限于卷積核，要為生成器提供來自更廣泛的特征空間中的信息，這樣生成器G就可以生成具有可靠細節的樣本。

實現

給定卷積層L一個特征輸入，首先用三種不同的表示來對L進行變換。這里使用了1x1卷積對L進行卷積以獲得三個特征空間：f，g和h。這一方法使用矩陣乘法來線性組合f和g計算得到注意力，并將其送入softmax層。

自注意力GANS網絡示意圖

最后得到的張量o是與h的線性組合，由尺度因子gamma控制縮放。 要注意，gamma從0開始，因此在訓練剛開始時，gamma為零相當于把注意力層去掉了，此時網絡僅依賴于常規卷積層的局部表示。然而，隨著gamma接收梯度下降的更新，網絡逐漸允許來自非局部域的信號通過。此外要注意的是特征向量f和g具有與h不同的維度。事實上f和g使用的卷積濾波器大小要比h小8倍。

2.譜范數（L2范數）歸一化

此前，Miyato等人提出了一種稱為譜范數歸一化（spectral normalization ，簡稱SN）的方法。 簡而言之，SN可約束卷積濾波器的Lipschitz常數，作者使用它來穩定判別器D網絡訓練。實踐證明的確很有效。

然而，在訓練歸一化判別器D的時候存在一個基本問題。先前的工作表明，正則化判別器D會使得GAN的訓練變慢。一些已有變通方法往往通過調整生成器G和判別器D之間的更新速率，使得在更新生成器G之前多更新判別器D幾次。這樣在更新生成器G之前，正則化判別器D可能需要五次或更多次更新。

有一種簡單而有效的方法可以解決學習緩慢和更新率不平衡的問題。我們知道在GAN框架中，生成器G和判別器D是一起訓練的。 基于這點，Heusel等人在GAN訓練中引入了兩個時間尺度的更新規則（two-timescale update rule，簡稱TTUR），對生成器G和判別器D使用不同的學習率。在這里，設置判別器D訓練的學習率是生成器G 的四倍，分別為0.004和0.001。 較大的學習率意味著判別器D將吸收梯度信號的較大部分。較高的學習速度可以減輕正則化判別器D學習速度慢的問題。此外，這種方法也可以使得生成器G和判別器D能以相同的速率更新。事實上，我們在生成器G和判別器D之間使用的是1：1的更新間隔。

此外，文章還表明，生成器狀態的好壞與GAN性能有著因果關系。鑒于此，自注意力GAN使用SN來穩定生成器網絡的訓練必然有助于提高GAN網絡的整體性能。對于生成器G而言，譜范數歸一化既可防止參數變得非常大，也可以避免多余的梯度。

實現

值得注意的是，Miyato等人引入的SN算法是迭代近似。 它定義了對于每個層W，用W的最大奇異值來對每個卷積層W正則化。但是，在每一步都用奇異值分解那就計算量太大了。所以Miyato等人使用一種被稱作power iteration的方法來獲得近似的最大奇異值的解。

要注意的是在訓練期間，在power iteration中計算得到的?值會在下一次迭代中被用作u的初始值。這種策略允許算法僅經過一輪power iteration就獲得非常好的估計。此外，為了歸一化核權重，將它們除以當前的SN估計。

訓練細節

在實驗中生成器G輸入隨機向量z并生成128x128大小的RGB圖像。所有層（包括全連接層）都使用了SN。生成器G使用Batchnorm和ReLU激活函數，在中層到高層的特征圖中使用了自注意力模型。與原作者實現方法一樣，我們將注意力層放置在32x32大小的特征圖上。

判別器D還使用譜范數歸一化（所有層）。它將大小為128x128的RGB圖像樣本作為輸入，并輸出無標度的概率。它使用leaky ReLU激活函數，alpha參數設置為0.02。與生成器G一樣，它在32x32大小的特征圖上上也有一個自注意力層。

最終的結果如下圖所示：

通過自注意力和譜歸一化的方式可以實現更好的生成效果，如果你想了解更多，下面的兩篇論文是不錯的選擇：

SAGAN: https://arxiv.org/abs/1805.08318

Spectral Normalization: https://arxiv.org/pdf/1802.05957.pdf https://openreview.net/pdf?id=B1QRgziT-