(延申)GAN Lecture 1 (2018)- Introduction_哔哩哔哩_bilibili
Basic Idea of GAN
附课程提到的各式各样的GAN：https://github.com/hindupuravinash/the-gan-zoo
想要让机器做到的是生成东西。->训练出来一个generator。
假设要做图像生成，要做的是随便给一个输入（random sample一个vector，比如从gaussian distribution sample一个vector），generator产生一个image。丢不同的vector，就应该产生不同的image。
对于文字来说也是一样，丢一个vector，就输出一个句子，丢另一个vector就输出另一个句子。
（生成图像背景下）GAN的input就是一个vector，输出就是一个高维的vector，这个vector的每一个dimension就对应图像中一个pixel的颜色，把这个vector排成照片的尺寸->得到image。
（在图片背景下）在GAN中，同时还会训练一个discriminator。与generator相同，这个discriminator也是一个neural network。一个discriminator是吃一张image当做input，输出的是一个scalar（一个数值），代表产生的图片的quality，这个数值越大，就代表产生出来的图片的quality越高，代表产生的图片看起来越像真实的图片。
generator和discriminator的关系就像是捕食者和被捕食者之间的关系。比如枯叶蝶在生存的压力下（不会被捕食者吃），从正常颜色的蝴蝶变成褐色的，然后捕食者也会进化，现在不看颜色，要看纹路，所以枯叶蝶就会继续变（变成现在这个样子）
->共同进化
比如现在我们要做一个二刺螈头像的生成，首先要准备一个database，里面是真实的二刺螈人物的头像。一开始generator的参数是随机的，generator也不知道怎么产生二刺螈人物的头像。discriminator做的事情就是给一张图片，判断这张图片是generator生成的还是真实的图片。
接下来generator要做的事情就是想办法骗过第一代的discriminator。比如产生了有色彩的图片，第一代discriminator会被第二代的generator骗过，但是第二代的discriminator会学着去分辨第二代generator产生的图片和真实的图片。
generator接下来继续进化到第三代，第三代generator产生的图片可以骗过第二代的discriminator，然后第二代discriminator会进化成第三代discriminator。
->generator产生的图片就会越来越真实。
一开始我们有一个generator一个discriminator，两个的参数都是random initialized。
接下来要iterative的去train generator和discriminator。要跑很多的iteration。在每一个iteration里面，要做两件事：
1. 把generator的参数固定住，只去调discriminator的参数（只train discriminator）
方法：把一大堆random vector丢到generator里面，generator就会产生很多的图片。因为一开始generator的参数是随机的，所以产生的图片并不会特别好。我们有一个database，里面都是真实的二刺螈人物头像图片，从这个database里面sample出一些例子->现在有两组图片，一组是从database里面sample出来的，一组是generator生成的。接下来要去训练discriminator的参数。那么怎么调整discriminator的参数呢？
目标是假如image是realistic的，就给比较高的分数，如果是generator产生的，就给比较低的分数。
2. 固定discriminator，只调generator（只train generator）
方法：先把一个vector丢到generator里面，generator会产生一个image，接下来把这张图片丢到discriminator里面，discriminator会给这张图片一个分数。generator训练的目标是骗过discriminator，也就是我们希望generator产生出来的图片，discriminator可以给比较高的分数。
在实际执行上，会把generator和discriminator看做是一个大型的网络。比如generator有5层，discriminator也有5层，我们会把两个接在一起，得到一个10层的网络。这个10层的network的input是一个vector，output是一个数值。在这个10层的network中的其中一个hidden layer会很宽，这个hidden layer的output就是一张image。比如一张image是64×64，那么这个hidden layer的输出就是64×64的宽度，这个输出就可以看做是图像。
在train这个network的时候就是固定最后几个hidden layer，只调前面几个hidden layer，让输出越大越好。这个时候做的就不是gradient descend了，而是gradient ascend（不过没差啦）。
这里因为要让输出越大越好，所以一定要固定最后几个hidden layer，否则，只要调最后一个layer的weight，让最后一层的weight越大越好，就能让output的值爆表。
在每次迭代中：
从database里面sample出来m张image（这里的m实际上是batch size），同时从某个distribution里面sample出m个vector（老师提到这里采用什么distribution可能影响不大，这里vector的dimension可以自己指定，后期是需要调的。注：这里的vector的dimension指的是vector的长度）
根据sample出来的m个vector，产生m张image。
调整参数。让logD(x^i)越大越好->给真实image的值越大越好。
这里使用的是gradient ascend，在gradient descend里面是减，这里换成加即可。
要update几次参数呢？这也是一个需要调的hyperparameter
-----------------------↑训练discriminator-----------------------------
接下来训练generator。
同样也sample出来m个vector。丢到generator里面。
update参数，让generator产生的图片的分手越高越好。
继续gradient ascend。
（老师点评这已经比很多作画崩坏的动画公司画的要好，很好，别说了，破防了）
也可以生成真实的人脸。
GAN as structured learning
GAN其实可以被视为structured learning。什么是structured learning？machine learning就是去找一个函数，input一个东西，output另一个东西。如果是regression task，就output一个数值，如果是classification task，就是output一个class。如果我们遇到的问题是一个更复杂的问题，不是output一个数值/class，可能是一个sequence、matrix、graph、tree。这个task就是structured learning。
为什么structured learning被视为有挑战性的任务？
structured learning可以被视为one-shot/zero-shot learning（假设现在有一个分类的task，每一个类别都需要给机器一些例子，比如苹果和橘子，要给机器苹果和橘子的照片。但是有些类别可能没有例子，或者只有有限的例子->one-shot/zero-shot）。structured learning可以被视为是一个极端的one-shot/zero-shot。比如生成句子，在training data里面，没有句子是重复的，包括test data也没有。如果把每一个不同的输出看成是一个class，那么training data每一个class可能只出现一次，test data里面的句子压根就没在training data中出现过。->输出从来没有见过的东西。
如果机器要解决structured learning的问题，要求机器必须有规划的概念，有大局观。比如机器在画人脸的时候要知道这个pixel是眼睛，这个pixel是嘴巴这样子。
在传统的structured learning中有两套方法：bottom up和top down。
bottom up的方法是指，我们现在要产生一个完整的东西，机器是一个一个component分开去产生->这样的缺点是很容易失去大局观。
top-down就是先产生一个完整的东西之后，再在整体的角度看好不好。->坏处是很难做generator
generator就是一个bottom up的方法，discriminator则属于top down。
Can Generator learn by itself?
generator的学习就是input一个vector，output一个图片。比如手写数字，input不同的vector，output不同的数字的图片。要训练这样的一个generator，也可以收集数字-图片的数据，给每个数字assign一个vector就好啦。完全就类似classifier。
但是现在的问题是，怎么assign vector给数字呢？随机产生？随机产生可能会造成不好train。我们还是希望相似的数字有相似的vector，比如这里数字1都是0.1，2都是0.2,3都是0.3，然后另一个值可能就代表了数字倾斜的方向。
怎么得到这样的vector呢？其实也是可以学的，比如encoder。给一张图片，让encoder用一个向量表示这个图片。
怎么train这样的encoder呢？auto-encoder。
decoder实际上就是一个generator。generator实际上在做的就是给一个code，让产生某一个对应的图片，现在有一个encoder，工作是产生一个图片对应的code，decoder要做的就是看到这个code，产生这个code对应的图片。
用auto-encoder会遇到什么问题？因为training data里面的image是有限的，generator可能learn到的是看到是看到vector a产生某张图片，看到vector b产生另一张图片，但是看到vector a和vector b的平均，应该产生什么样的图片？
解决方案：variation auto-encoder
encoder不仅产生一个code，还会产生每一个dimension的variance。接下来从normal distribution里面sample一个noise出来，把noise和variance相乘，把noise加到code里面，再把加了noise的code丢到decoder里面去，让decoder还原出input。
->让generator知道看到vector a加noise/vector b加noise/a/b……都要输出数字->让decoder更加稳定
（学生提问，这个code的dimension怎么决定，老师的回答总结一下就是，我们希望这个code是一个low dimension的vector，如果train不起来，让dimension变大可能可以train起来，但是未必嫩得到我们要的东西，因为假设我们把code设置的和input一样大，那么其实只要一直copy input就好了，但是这并没有达到我们使用auto-encoder的目的->我们希望的模型的作用是用低维代替高维信息）
generator train的目标是希望和某张图片越像越好。如图，就是希望generator的output和这个2越像越好，怎么评判像不像呢？通常计算的就是两张图pixel by pixel的差距。比如把这两张图片表示成一个vector，然后计算这两个vector的距离。
但是真正train的时候generator是会犯一些错的，没有办法和target一模一样，可能会在一些地方坐妥协。这个时候在什么地方做妥协就很重要了。
比如现在有四个不同的generator产生了四个不同的图片。那么按照之前的要求，那么就应该选1 pixel error。但是以人的观点来看，却并非如此。
比如在某个pixel点了颜色，这并不代表不对，不对的是没有把周围的pixel补满。->没有考虑pixel和pixel之间的correlation。
Can Discriminator generate？
discriminator的作用是，输入一个object，输出一个分数，分数代表输入的东西有多好。在别的领域可能有别的名字。
可以用discriminator做generator嘛？可以。
对于generator来说，要考虑component和component之间的correlation是比较困难的（因为每一个component都是独立生成的）。但是对于discriminator来说，就比较容易了。因为对于discriminator，是产生完整的image之后，再把这张image丢给discriminator，让discriminator给评价，所以discriminator就可以轻易的告诉我们这张图片是好/不好的（高分/低分）。怎么做呢？可能这里discriminator采用CNN，比如有一个CNN的filter是去判断有没有独立的点（各个方向都孤立），如果有，就给低分。
怎么使用discriminator产生东西呢？穷举所有可能的x，把所有的x都丢进去，看哪个x得到最高的分数，discriminator给高分的x就是生成的结果。
但是这个生成是很痛苦的，因为discriminator只擅长批评，没办法给一些有建设性的意见，可以说xxx是不好的，但是自己又想不出来什么样是好的。
假设上面的问题都解决了。现在我们要训练discriminator。方法就是给很多好的例子，给这些例子是高分的，再给一大堆不好的例子，告诉这些例子是低分。但是实际上我们只有好的例子，discriminator学到的可能就是无论什么图片，一律给高分（什么清汤大老爷？）。
->我们需要给machine一些不好的例子，但是从哪里找这些例子呢？
如果我们告诉机器，real的例子就是好的，随机生成的噪声就是差的，机器当然可以轻松分辨两个。但是之后如果我们给一个画的不好的（左下），机器也会给高分，毕竟比noise好很多。
->真的产生很好的negative example，这样discriminator才能真的学会鉴别好的例子和差的例子。但是怎么产生这些非常好的negative example呢？
解决方案：iterative方法。
假设我现在有一堆positive example和negative example，在一开始positive example是人画的image，negative example是random sample出来的一对noise。这时，discriminator学会的是，给这些positive example高的分数，给negative example低的分数。当我们学会这个discriminator以后，可以用discriminator做generation。
拿到generation之后，把这些作为下一轮的negative example
实际上，我们面对的是一个高维空间，很难去把没有出现example的地方的分数都压低。
实际上的做法。
比如图中real的左侧的分数我们并不知道高还是低，我们只是给real的区域高分，给generated的低分。接下来就在这个区域内（real的区域）产生新的generated（找到discriminator的弱点）
在一些没有real example，且凸起来的区域sample一些example，在下一个iteration把分数压下去。
（同学提问：是否会overfitting？很难知道有没有overfitting）
用generator解决argmax问题。
这里和前面的VAE是类似的，但是可以看到在空白的地方，就没有很多点了（对比之前的绿色点，这里采用的是红色）
第六节 2021 - 生成式对抗网络(GAN) (一) – 基本概念介紹_哔哩哔哩_bilibili
Generation
之前（指课程中的之前）学到的network都是一个network，给一个x就输出y。我们学了各式各样的架构来处理不同的x（image、sequence）和不同的y（数值、类别、sequence）。
现在要进入一个新的主题，这里要把network当做generator来用。现在network的输入会加上一个random的variable（Z），这个Z是从某一个distribution里sample出来的。所以现在network不是只看一个固定的x得到输出，而是同时看x和Z得到输出。怎么同时看呢？比方说，可以x是个向量，Z也是个向量，给两个向量直接接起来得到一个比较长的向量，当做input。或者假设x和Z的长度刚好一模一样，相加以后得到network的input。
这里Z特别的地方是，Z是不固定的，每一次我们使用这个network的时候，都会随机生成一个Z(是从一个distribution里面sample出来的，这个distribution我们必须知道其表达式，比如gaussian distribution、uniform distribution）。sample的Z不同，得到不同的y。因此现在的network的输出不再是单一的、固定的东西，而是一个复杂的distribution。
这种可以输出复杂的distribution的network就叫做generator。
为什么需要输出是一个分布呢？输出x得到固定的y的问题在哪里呢？
eg：
video prediction。给机器一段视频，让机器预测接下来会发生什么事情。这里的例子是预测小精灵游戏的画面。
怎么预测呢？给network过去的游戏画面，输出新的游戏画面（下一个时间点的游戏画面）。得到数据集的方法也很简答，只要录制玩小精灵的画面就好了。比如这里就是给定三个frame，预测下一个frame。
怎么输出一张图片？一张图片就是很长的一个向量，所以只要让network输出很长的向量就好啦。
这样做（指上面说的，固定的输入对应输出）的问题是什么呢？
输出的结果可能会出现一些问题：
比如画面可能比较模糊，小精灵走着走着分裂了，还有的小精灵走着走着就消失了。为什么会有小精灵裂开呢？因为对于network来说，在数据集中，同样的输入，有时在同样的转角，有时小精灵往左转，有时小精灵往右转，这两种可能性同时存在，所以network就学会了端水，两边都讨好。
怎么处理这个问题呢？让输出是有概率的，即：不是单一的输出，而是输出一个概率分布。
当我们给这个network加上一个Z的时候，输出就变成了一个distribution->输出就不再是固定的了
我们希望训练一个network，包含了左转/右转的可能性。比如我们现在使用的是一个binary的random variable，network就可能学到Z sample到1的时候向左转，Z sample到0的时候向右转
什么时候我们会需要这样的generator呢？当我们的任务需要一些“创造力”的时候。->同样的输入有多个不同可能的输出，但是每一个输出都是对的。
比如画图、对话。
啊？？（建议老师去写同人好啦）
Generative Adversarial Network （GAN）
各种各样的GAN。
等下的例子属于unconditional generation（还是前面的生成二刺螈人物脸）。
什么是unconditional generation？把x拿掉。输出就是Z，输出就是y。Z这边都采用normal distribution sample出来的向量这样子。这个向量通常是一个low-dimention的向量，维度是自己指定的。丢到generator里面，生成一个图片（一个高维的向量->一个长长的向量）
希望无论sample到什么Z，都得到二刺螈人物的人脸。
在GAN里面，除了generator，我们还需要训练一个discriminator（也是一个neural network）。discriminator会拿一张图片作为输入，输出是一个数值（分数，越高代表越真实）
补充之前的课程没有提到的，用StyleGAN做的结果。
Progressive GAN，可以产生非常高清的人脸
Theory behind GAN
为什么generator和discriminator的互动可以产生上述的这些图片？
在训练的时候我们是要定一个loss function，定完之后用gradient descent去调参数，去minimize loss function就好啦。在generation的时候到底要对谁操作呢？
训练的目标：
我们有一个generator，我们给它一大堆的vector（比如：从normal distribution中sample出来的东西），丢进generator之后会产生一个比较复杂的distribution。这个复杂的distribution称为P_G。我们还有一堆data（这个是真实的data->真正的图片，收集来的训练集），这些真正的data也形成了一个另外的distribution，称为P_data。我们希望P_G和P_data越接近越好。
divergence可以理解为两个distribution之间的距离，divergence越大代表两个distribution越不像，divergence越小久代表两个distribution越接近。
∴希望divergence越小越好
但是这边我们又遇到一个问题：
这个divergence很难算。如果divergence都很难算出来，肯定没办法去找到一个generator来minimize这个divergence了。
GAN很厉害的地方就死可以突破不知道怎么计算divergence的限制。
只要知道怎么从P_G和P_data中sample东西出来，就有办法计算divergence->不需要知道P_G和P_data实际上的formulation长什么样子，只要能够sample就能算divergence
OK，那么P_G和P_data可以sample嘛？当然可以。
把训练集拿出来，从里面随机拿一些图片出来就得到P_data了。同理，generator这边吃一些random的vector，吐出来一些图片，就是P_G。
根据real data（P_data sample出来的结果）和generative data（P_G sample出来的结果），训练一个discriminator。训练的目标是看到real data给高分，看到generative data给低分。
（弹幕：相当于用神经网络训练了一个divergency的计算方式）
log(D(y))，有一堆y是从P_data里sample出来的，是real image，把这些真的image丢到D中，得到分数，再取log。
log(1-D(y))，有一堆y是从P_G里sample出来的，把这些生成的图片丢到D中，得到分数，再1-分数，再取log
（弹幕：意思是用y~Pdata的分布对logD(y)做加权平均）
我们希望这个objective function越大越好。->希望y~Pdata的D(y)越大越好（真实图片的分数越高越好）->让V的值越大越好
（弹幕：js dvergence是两个KL divergence的平均，目的为了对称
JS 散度， 信息熵的延申
JS散度就是特殊的KL散度）
（弹幕：分类用的是交叉墒（分类效果越好，值越低）函数D是交叉墒乘负号，所以值越大，分类效果越好。如果分布接近，那就是不管怎么训练，分类效果都不好，也就是值永远都train 不大
div大的时候log(Dy)和log(1-Dy)的值在实际上在maxV(D,G)中偏大
所以我们为了找到div小的情况，需要将问题转化为找到maxV(D,G）的最小值）
本来我们的目标是要找一个generator去minimize P_G和P_data的 divergence。
现在我们知道，我们只要训练一个discriminator，训练完以后这个objective function的最大值，就和这个divergence有关->直接做替换
（弹幕：就是想求G，被div卡住，然后发现div就是D这个分类器的负loss的最大值。多看两遍就懂了
不是要求差异，前面推导出div跟obj func相关，由于不能直接求出div，所以先求obj func，obj func的计算是用max，但最终目标是div越小越好，所以再求min
MSE是不能用的 因为根据问题需求来说 MSE不适合 然后这里意思应该是 generator中是尽量产生相似的 所以是mini 而discrimination是尽量分开 所以是max
生成器不断优化使得判别器准确率降低）
（弹幕：简单来说DIV越小 maxV也越小 两个是相关的，生成器就是要得到最小的DIV也就是最小的MaxV）
为什么不用真的JS Divergence，为什么不用别的divergence？->可以，改那个objective function就可以了（详见论文F-GAN）
GAN不好train（救命这也谐音梗）
即使可以minimize JS divergence，GAN也不好train
Tips for GAN
在大部分例子中P_G和P_data重叠的部分往往非常少。WHY?
1. data本身的特性（P_G和P_data都是呀产生图片，图片其实是高维空间里面的一个低维的manifold）
怎么知道图片是高维空间里面的一个低维manifold？
在高维空间里随便sample一个点，通常没办法构成一个二刺螈人物的头像，所以二刺螈人物的头像的分布在高维空间中其实是非常狭窄的。所以二刺螈人物头像图片的分布，如果按二维空间举例的话，就像是二维空间里的一条线。∴高维空间里随便sample一个点，都不是图片，只有非常少的范围sample出来是图片。
∴P_G和P_data都是low-dimention的manifold->以二维空间为例，就是P_G和P_data都是二维空间里的两条线->除非刚好重合，其他情况下，两条线相交的范围几乎是可以忽略的
2. 我们并不知道P_G和P_data长什么样子，我们对P_G和P_data分布的理解其实来自于sample。->也许P_G和P_data有非常大的overlap的范围，但是我们实际上在了解P_G和P_data，计算他们的divergence的时候，是从P_G里面sample一些点出来，从P_data里面sample一些点出来，如果sample的点不够多、不够密，就算这两个distribution实际上有充电，但是由于sample的点不够多，对discriminator而言，也是没有重叠的。
如图，如果sample出来的蓝色和橙色的点不多，可以轻松把两者分开。
影响是，如果两个distribution是没有重叠的，那么JS divergence算出的结果永远都是log2。
假设蓝色线是P_G，红色线是P_data，两个都是一条直线，中间有很长的距离，去计算P_G和P_data的JS divergence就是log2。如果P_G和P_data蛮接近的，去计算P_G和P_data的JS divergence，算出来的结果也是log2。除非P_G和P_data有重合，算出来JS divergence才是0（不是log2）
但是明明中间的case比左边的好->中间的generator就比左边的generator好，但是从JS divergence上面看不出来->没有办法把左边的generator变成中间的generator。
（弹幕：说白了就是对于分类器而言，总是能把两类图片完全分开，根本混不到一起
是不是可以理解为，你再怎么生成图片，discriminator都觉得你百分百不像，所以generator都没有改进的方向了）
既然是JS divergence的问题，那么换一个衡量方式（换一个divergence）能否解决问题呢？
->wasserstein distance
假设有两个distribution，一个称为P，一个称为Q。wasserstein distance计算的方法是，想象我们在开一台推土机，把P想成是一堆土，把Q想成是我们想把土堆的目的地，推土机把P这边的土移动到Q的平均距离就是wasserstein distance。
如果是更复杂的distribution要计算wasserstein distance就比较困难了。
假设我想要这时的P重新塑造一下形状，让两者比较接近一点，有很多可能的moving plans，可以就近搬迁，也可以舍近求远。
不同的方法有不同的距离，所以这里给的定义就是->最小的距离
先不讨论上述问题怎么计算。先假设我们可以计算wasserstein distance了，有了wasserstein distance我们能做什么？
由上图，中间就比左边的数值要好。
WGAN（用wasserstein distance取代JS divergence的GAN）
那么现在的问题就是怎么计算wasserstein distance。
更正：图中的D(x)改成D(y)
D必须是一个one-lipschitz function（足够平滑的function）
Lipschitz Functions - Department of Mathematics at UTSA
Optimal No-Regret Learning for One-Sided Lipschitz Functions (openreview.net)
Lipschitz Function -- from Wolfram MathWorld
为什么要求足够平滑呢？假设real image和generated image的分布如上图中右下图所示，如果没有这个限制，只看大括号里面的值的话，是要真正的值越大越好，让generated的值越小越好，如果没有任何限制，那么会给real无限大的正值，给generated无限大的负值->这个training根本没办法收敛。
1-lipschitz是要求discriminator不可以变化太剧烈，没办法让real的值非常大，generated的值非常小（因为这样就不平滑了）
如果real和generated的距离很远->wasserstein distance就会很大
如果real和generated的距离很近，即使没有重合，因为有了1-lipschitz的限制，real和generated的值就没办法差很多->算出来的wasserstein distance就会比较小。
（弹幕：平滑曲线保证打分不取得正负无穷，差距不会过大）
怎么确保discriminator一定符合1-lipschitz的限制？
最早的做法是确保network的参数在c和-c之间，超过c就是c，超过-c就是-c->这一方法并不一定能让discriminator变成1-lipschitz function，但是也许就可以让discriminator比较平滑。但是并没有真的去解这个optimization问题。
->gradient penalty
即使如此，GAN依旧很难train。
GAN有一个本质上困难的地方。generator和discriminator是互相砥砺，共同训练，如果其中一个变差，那么另一个当然也会受到影响。
假设在train discriminator的时候，没有train好，discriminator没办法分辨真的和产生出来的图片的差异，那么generator就失去了可以进步的目标->generator就没办法再进步了。->discriminator也会跟着停下来。->只要其中一个没办法再进步，另一个自然也会停下来
train GAN最难的其实是拿GAN生成文字。WHY？如果要生成文字，需要一个seq2seq的model（有一个decoder，这个decoder会产生一段文字）。这个seq2seq的model就是generator。在transformer里面，是decoder，但是在GAN里面就是generator。
与image的生成有什么不同吗？high-level来看（从算法角度），可能没有太大的不同，因为接下来还是训练一个discriminator，discriminator把这段文字读进去，判断这段文字是真正的文字，还是机器产生出来的文字。而decoder（generator）就是想办法去骗过discriminator->调整generator的参数，想办法让discriminator觉得generator产生出来的东西是真的。
难点在于，如果要用gradient descent去traindecoder，让discriminator output的分数越大越好，发现做不到。
为什么做不到？在计算微分的时候，就是某个参数有变化的时候对目标造成了多大的影响。现在假设我们改变了decoder的参数，对discriminator的输出有什么影响？如果decoder的参数有小小的变化，那么decoder输出的distribution就也有小小的变化，这并不一定会影响最大的token（很大概率不会影响概率排列中最大的那个token是哪个），所以对于discriminator来说，它输出的分数就没有改变（输入都没变当然输出也不会变了）->根本没办法做gradient descend
（弹幕：就是 虽然decoder参数确实变了 但是产生出来的Token跟上次一样 就没啥意义）
老师留的思考题，为什么这里不行，但是CNN里面的maxpooling就可以？
argmax与max的区别_maxargmax-CSDN博客
（弹幕：因为cnn里是求max()这里是求argmax(),一个可导一个不可以）
不过就算不能做gradient descend，也不用担心，可以使用reinforcement learning（什么硬train一发？）
用reinforcement learning（RL）会造成什么问题？RL是以难train而闻名，而GAN也是以难train而闻名（什么双重debuff），所以过于炸裂了。
因此再很长的一段时间，没有人能把generator训练起来去产生文字。通常要先做pre-train。直到ScrachGAN->不用pre-train
（弹幕：注意这里输入到D的是确切的文字，就算这个decoder输出的max概率的数值变化了，对应的文本内容可能不变）
能不能用supervise的方法呢？假设我们有一堆图片，每一张图片都去配一个vector（比如从gaussian distribution中sample出来的vector），接下来当做supervised learning来做。可以（甚至真的有这样的模型）。
但是，如果真的放随机的向量，train的结果会很差，甚至可能train不起来->需要一些特殊的方法（详见论文）
Evaluation of Generation
怎么评价现在产生的generator好还是不好。
要评估一个generator的好坏，并没有那么容易。直觉的做法可能还是找人来看……
但是这显然就不够客观（甚至可能论文后面都没有什么accuracy，就放几张图片，表达我这个看起来比之前的都要好这个样子）
所以，有办法设计一个比较客观&自动的方法来衡量一个generator的好坏呢？针对一些特定的任务，是可以设计的~比如：生成二刺螈人物的头像，评估的标准是跑一个动画人物人脸检测的系统，看提供的图片里面，抓到几个动画人物的人脸。比如提供1000张图片里面抓到900个人脸的generator，就显然比抓大300个人脸的generator要好。
如果是更一般的case呢？
有一个方法是跑一个图像分类系统，把GAN产生出来的图片丢到一个图像分类系统里面，看产生什么样的结果。图像分类系统输入是一张图片y，输出是一个概率分布P(c|y)。如果概率分布越集中，就代表现在产生的图片可能越好。
但是光用这个方法是不够的，如果光用这个评估的方法，会被一个叫做mode collapse的问题骗过去。mode collapse是说在train GAN的时候，有的时候train着train着发现generator输出的图片来来回回就那几张。相当于是抓到discriminator的漏洞，就在漏洞周围生成了，反应在图片上就是，生成的某个人脸越来越多。解决方法是在train到mode collapse的时候就把train停下来，把之前train的model拿出来用。
另一个问题比mode collapse更难监测到->mode dropping
图中蓝色的星星都是真实的数据，但是generated的数据可能只占据其中的一部分。乍一看生成的数据的多样性也很OK，但是实际上我们看不到的是真实的数据的分布是更广泛的，不仅仅局限于生成数据所在的位置。
比如图中生成真实人脸的例子，第t个iteration的结果看起来很正常，有男有女有向左看有向右看，但是一旦我们去第t+1个iteration，就很容易看出来，这两个显然是有问题的，前一个肤色偏白，后一个肤色偏黄，这显然已经是政治正确的问题了（×）
如何衡量generator产生的图片的多样性够不够？
过去的某个做法是借助image classify。让generator产生一堆图片（e.g. 1000张图片），把图片都丢到image classify里面，看被判断成哪一个class。每一张图片都会给我们一个distribution。把所有的distribution平均起来，看看平均的distribution长什么样子，如果平均的distribution非常集中，就代表现在的多样性不够。
如果另一个case，不同的图片丢进image classifier产生出来的输出的分布都非常的不同，平均完以后发现，平均完之后的结果非常平坦->也许多样性是足够的。
发现diversity和quality可能是互斥的，之前在说quality的时候，说的是越集中代表quality越好，但是在diversity的时候就是越平坦代表diversity越好（什么？又来trade-off？）
应该注意diversity和quality针对的范围是不同的。对于quality来说，是只看一张图片，把一张图片丢到classifier里面，看分布有没有非常的集中，而diversity看的是一堆图片，看一堆图片image classifier输出的平均。
（弹幕：一个是对单个输出，一个是对一批输出
quality是看每张图片的输出结果是不是很确定的，diversity要求他们确定到不同的类别上）
在二刺螈人物图片生成的时候可能就不适合用inception score了，虽然二刺螈的人脸有不同的瞳色、发色etc，但是说到底都还是人脸，所以做出来的diversity并不会很好。
FID，先把产生出来的二刺螈人物丢到inception network里面，如果一路走到最后，会得到的结果是，人脸。所以我们不拿这个类别。我们使用进入softmax之前的hidden layer的输出，用这个向量代表着张图片。虽然都是人脸，但是因为肤色、发型等等的区别，这个向量还是会有不一样的。
更正，左下角不是FIT是FID
前面的方法并没有完全解决GAN的评价问题。假设训练的generator产生的图片和真实的图片一样，但是着并不是我们想要的（想要数据集里的数据直接sample还快点），我们是希望generator产生新的图片。
第一反应是直接比较生成的数据和真实数据的相似度。但是加入generator学会的是把真实的图片左右翻转呢？这个时候比相似度又比不出来。
Conditional Generation
到目前为止，我们讲的generator的输入都是一个随机的分布，这个不一定有用。现在想要更进一步，我们想要操控generator的输出，给generator一个condition x，让generator根据x和z来产生y。这样的conditional generation有什么应用呢？比如可以做文字->图片的生成。
文字生成图片实际上是一个supervised learning的问题，所以需要一些labeled的data，所以需要一些图片，并且这些图片要有一些文字的描述（题外话：看来那年辉夜大小姐实火，甚至开始猜测今年老师会用哪部动画）
在text-to-image的任务里面x就是一段文字，那么怎么把一段文字输入给generator呢？怎么做都可以，以前可能会用RNN读过去，得到一个向量，然后丢给generator。现在可能可以丢到transformer的encoder里面去，把encoder的output的向量都拼起来，反正怎么做都行，只要把文字变成向量就行。
比如我们这里输入了一个red eyes，那么最后就会画出来一个红眼睛的角色，每次画出来的都不一样，画出来什么角色取决于sample到什么样的z。sample到不一样的z，画出来的角色就不一样，但是这些角色都是红眼睛的。
现在我们的generator有两个输入，一个是从normal distribution sample出来的z，另一个是x，也就是一段文字，generator会产生一张图片y。我们还需要一个discriminator，如果按照我们过去学过的东西，discriminator就是吃进来一张图片y当做输入，输出一个数值，这个数值代表输入的图片多像真实的图片（是真实的还是生成的）。怎么训练discriminator呢？如果看到真实的图片，就输出1，如果看到生成的图片，就输出0。
但是这样的办法没办法解conditional GAN的问题。因为如果我们这么做，这个discriminator只会看y当做输入的话，generator会产生可以骗过discriminator的非常清晰的图片，但是可能和输入完全没有任何关系。因为对generator来说，只要产生清晰的图片，就可以骗过discriminator了，就没必要管input的文字是什么，反正discriminator又不看文字叙述。
所以在conditional GAN里面要做有点不一样的设计，让discriminator不仅只吃图片y，还要吃condition x，然后产生一个数值，这个数值不仅是看图片好不好，还要看图片和文字的匹配程度。
->discriminator需要成对的数据，看到成对的数据就给高分，否则给低分
不仅可以看一段文字产生图片，也可以看一张图片产生图片
与文字产生图片没有很大的区别。只是把文字的部分用图片替代掉而已。输入一张图片产生一张图片，可以采用supervise的方法。但是从文献上来说，如果只是用supervised learning的方法得不到非常好的结果（非常模糊），这可能是因为同样的输入对应到不一样的输出（类似前面小精灵的例子），所以得到的结果是一个平均的结果（一个模糊的结果）。
如果单纯用GAN的话，很真实，但是想象力有点过于丰富，会产生一些输入没有的东西。比如输出是一个房子，左上角没有其他的东西，但是在输出的地方在屋顶上加了一个。如果要得到更好的结果往往是GAN+supervised learning，同时使用。
其他应用，比如给GAN听一段声音，让GAN产生一张图片。比如听一段狗叫的声音，看能不能输出一个修勾的图片。需要的成对的图片就是声音和图片，这个很简单，可以直接用影像资料。
Learning from Unpaired Data
把GAN用在unsupervised learning上。
训练一个network，输入是x输出是y，需要成对的数据才可以训练。但是我们可能还会遇到一种情况，我们有一堆x有一堆y，但x和y是不成对的（unlabeled），在这种状况下能不能拿这样的数据来训练network呢？
（弹幕：不成对应该是可以的，成对应该是可以加快训练速度，但不一定能提高robust）
怎么使用这些没有标注的数据呢？在HW3和HW5中都有这样的例子（HW里面属于semi-supervised learning），但是多多少少还是需要一些成对的数据。比如在HW3里面，需要先训练出来一个模型，这个模型会帮助提供pseudo labeling，如果开始根本没有多少数据，模型很差，那么就根本没办法产生比较好的pseudo label。包括HW5做back translation，有一个back translation的model才可以做。
但是假设我们一点成对的数据都没有呢？
（什么地狱笑话，说可以找本科生标注orz）
什么情况下没有成对的数据呢？比如image style transfer。加入我们现在要训练一个deep network，要把x domain的图（真人的头像）转成y domain的图（二刺螈人物的头像）。在这个例子里面就没有成对的数据。
现在想要做到的是：输入是x domain图片的分布，输出是y domain图片的分布（之前输入的x都是gaussian distribution里面sample出来的vector）
好像听起来也没有很复杂，可以套用之前GAN的做法。在原来的GAN里面，我们在gaussian sample一个向量，丢到generator里面（其实不一定要从gaussian里面sample，只要使用的distribution是有办法被sample的就OK了）。现在如果输入的是x domain的distribution，只要改成从x domain sample就好了（很简单，只要从真实的人脸照片里面随便挑一张）。把这个照片丢到generator里面，让它产生另一个distribution里面的图片。怎么让它变成y domain的distribution呢？就需要一个discriminator，给这个discriminator看很多y domain的图，这样就可以分辨是不是y domain的图，看到y domain的图就给高分，看到不是y domain的图就给低分。
但是仔细想想，光是套用原来的GAN 训练generator和discriminator好像是不够的。因为现在discriminator要做的是让generator输出一张y domain的图，generator可能真的能学到输出y domain的图，但是它输出的y domain的图不一定要和输入有关系（并没有限制要求generator要做这件事）。可能generator完全就不care输入的是什么，反正只要输出一个二刺螈头像就好了。
->虽然也是二刺螈人物的头像，但是和真实的照片没什么关系，这显然不是我们想要的
怎么解决这个问题呢？怎么强化输入和输出的关系呢？回忆一下，我们在conditional GAN的时候也遇到了类似的问题。但是我们这边要用unpaired data学习，也没办法直接套用conditional GAN的思路（因为conditional GAN里面是有成对的数据的，可以使用成对的数据来训练discriminator）。
但是现在我们没有成对的数据来告诉discriminator，什么样的x和y的组合才是对的。
这里的idea是cycle GAN，在cycle GAN里面会训练两个generator。第一个generator的工作是把x domain的图变成y domain的图，第二个generator的工作是看到一张y domain的图，就把它还原回x domain。在训练的时候，增加一个额外的目标，输入一张图片，我们除了要把x domain转成y domain，还要把图片从y domain转回原来的x domain，并且要求还原的图片和原来的图片越接近越好（什么auto-encoder？）。因为这里从x到y，再从y到x，是一个cycle，所以叫做cycle GAN。
但是只知道有关系，怎么知道这个关系是不是我们要的呢？
（实际上是没办法保证的，但是anyway就是很玄学，机器似乎就能够按照这种方式转换，即使不使用cycle GAN，也能得到比较好的转换）
cycle GAN是双向的。
在做cycle GAN的时候可以同时做另一个方向的训练，把y domain的图片拿来生成x domain的图片，再把x domain的图片还原回y domain，同样也要让输入和输出越接近越好。这里搭配的discriminator是要去看中间的像不像真实的人脸的图片。
其他风格转换的GAN
不能说各不相同，只能说一模一样……
更进阶的版本。cycle GAN只能做两种风格间的转换，starGAN可以在多种风格间做转换（什么变色龙？）
同样的技术不仅仅可以用在图像上，也可以用在文字上，也可以做文字风格的转换（但是这个看起来好阴阳怪气啊）。当然这里要用到的就是seq2seq的模型了。
假设这里要做的是把负面的句子转成正面的句子，首先要收集一堆负面的句子和一堆正面的句子。
接下来套用cycle GAN的方法。因为这里要转回去，牵涉到一个问题，怎么算两个句子的相似度。图片的话还比较好理解，图片就是两个向量，两个向量的距离就是相似度。（老师的意思是自己去探索，不过我记得在讲NLP的地方有提到哎，反正文字也是向量啦）
其他应用。
——————————————————————
后面还有一些标注的是选修（我大概看了一眼PPT，似乎和之前说的还是有区别的，有机会补上好了，写到这里已经太长了，我发现写很长的话CSDN的这个编辑器不太好用，会有延迟）
(选修)To Learn More - GAN Basic Theory_哔哩哔哩_bilibili文章来源：https://www.toymoban.com/news/detail-812760.html
后面补上的话会把链接放在这里：文章来源地址https://www.toymoban.com/news/detail-812760.html
到了这里，关于李宏毅 Generative Adversarial Network（GAN）生成对抗网络的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
