渐渐体会到GAN训练难确实是一个让人头疼的问题，一个多月前我曾粗略地了解了一下WGAN，知道这是一个着眼于提高GAN训练稳定性的成果，但后来发现，我对其原理理解得还不是很充足。于是我把WGAN的一作作者Martin Arjovsky在2017年先后参与的三篇相关论文找来看，对WGAN的来龙去脉有了一个更清晰的理解。
Towards Principled Methods for Training GenerativeAdversarial Networks
这篇论文是WGAN发表前的铺垫，它最大的贡献是从理论上解释了GAN训练不稳定的原因。
人们在应用GAN时经常发现一个现象：不能把Discriminator训练得太好，否则Generator的性能很难提升上去。该文以此为出发点，分析了GAN目标函数的理论缺陷。
原始目标函数的缺陷
在最早提出GAN的论文中，Goodfellow把GAN的目标函数设置为：
他也证明了，固定Generator时，最优的Discriminator是
然后在面对最优Discriminator时，Generator的优化目标就变成了
可以把上述公式简洁地写成JS散度的形式：
也就是说，如果把Discriminator训练到极致，那么整个GAN的训练目标就成了最小化真实数据分布与合成数据分布之间的JS散度。
该文花了大量的篇幅进行数学推导，证明在一般的情况下，上述有关JS散度的目标函数会带来梯度消失的问题。也就是说，如果Discriminator训练得太好，Generator就无法得到足够的梯度继续优化，而如果Discriminator训练得太弱，指示作用不显著，同样不能让Generator进行有效的学习。这样一来，Discriminator的训练火候就非常难把控，这就是GAN训练难的根源。
该文还用实验对这一结论进行了验证：让Generator固定，然后从头开始训练Discriminator，绘制出Generator目标函数梯度和训练迭代次数的关系如下。
可以看到，经过25 epochs的训练以后，Generator得到的梯度已经非常小了，出现了明显的梯度消失问题。
-logD目标函数的缺陷
Goodfellow提到过可以把Generator的目标函数改为-logD的形式，在实际应用中，人们也发现这个形式更好用，该文把这个技巧称为the - log D alternative。此时Generator的梯度是：
该文证明在最优的Discriminator下，这个梯度可以转化为KL散度和JS散度的组合：
该文对这一结论有两点评论：
1. 该公式的第二项意味着最大化真实数据分布和生成数据分布之间的JS散度，也就是让两者差异化更大，这显然违背了最初的优化目标，算是一种缺陷。
2. 同时，第一项的KL散度会被最小化，这会带来严重的mode dropping问题。
关于上述第二点，下面补充一点说明。
mode dropping在更多的情况下被称作mode collapse，指的是生成样本只集中于部分的mode从而缺乏多样性的情况。例如，MNIST数据分布一共有10个mode（0到9共10个数字），如果Generator生成的样本几乎只有其中某个数字，那么就是出现了很严重的mode collapse现象。
接下来解释为什么上述的KL散度
会导致mode collapse。借用网上某博客的图，真实的数据分布记为P，生成的数据分布记为Q，图的左边表示两个分布的轮廓，右边表示两种KL散度的分布（由于KL散度的不对称性，KL(P||Q)与KL(Q||P)是不同的）。
右图蓝色的曲线代表KL(Q||P)，相当于上述的
可以看到，KL(Q||P)会更多地惩罚q(x) > 0而p(x) -> 0的情况（如x = 2附近），也就是惩罚“生成样本质量不佳”的错误；另一方面，当p(x) > 0而q(x) -> 0时（如x = -3附近），KL(Q||P)给出的惩罚几乎是0，表示对“Q未能广泛覆盖P涉及的区域”不在乎。如此一来，为了“安全”起见，最终的Q将谨慎地覆盖P的一小部分区域，即Generator会生成大量高质量却缺乏多样性的样本，这就是mode collapse问题。
另外，通过类似的分析可以知道，KL(P||Q)则会导致Generator生成多样性强却低质量的样本。
除了上述的缺陷，该文还通过数学证明这种-logD的目标函数还存在梯度方差较大的缺陷，导致训练的不稳定。然后同样通过实验直观地验证了这个现象，如下图，在训练的早期（训练了1 epoch和训练了10 epochs），梯度的方差很大，因此对应的曲线看起来比较粗，直到训练了25 epochs以后GAN收敛了才出现方差较小的梯度。
小结
该文通过严谨的理论推导分析了当前GAN训练难的根源：原始的目标函数容易导致梯度消失；改进后的-logD trick虽然解决了梯度消失的问题，然而又带来了mode collapse、梯度不稳定等问题，同样存在理论缺陷。既然深入剖析了问题的根源，该文自然在最后也提出了一个解决方案，然而该方案毕竟不如后来的WGAN那样精巧，因此我把这部分略过了。
Wasserstein GAN
EM距离
这是最早提出WGAN的论文，沿着上篇论文的思路，该文认为需要对“生成分布与真实分布之间的距离”探索一种更合适的度量方法。作者们把眼光转向了Earth-Mover距离，简称EM距离，又称Wasserstein距离。
EM距离的定义为：
解释如下：是
和
组合起来的所有可能的联合分布的集合，对于每一个可能的联合分布
而言，可以从中采样
得到一个真实样本
和一个生成样本
，并算出这对样本的距离
，所以可以计算该联合分布下样本对距离的期望值
。在所有可能的联合分布中能够对这个期望值取到的下界，就定义为EM距离。
Earth-Mover的本意是推土机的意思，这个命名很贴切，因为从直观上理解，EM距离就是在衡量把Pr这堆“沙土”“推”到Pg这个“位置”所要花费的最小代价，其中的γ就是一种“推土”方案。
该文接下来又通过数学证明，相比JS、KL等距离，EM距离的变化更加敏感，能提供更有意义的梯度，理论上显得更加优越。
WGAN
作者们自然想到把EM距离用到GAN中。直接求解EM距离是很难做到的，不过可以用一个叫Kantorovich-Rubinstein duality的理论把问题转化为：
这个公式的意思是对所有满足1-Lipschitz限制的函数取到
的上界。简单地说，Lipschitz限制规定了一个连续函数的最大局部变动幅度，如K-Lipschitz就是：
。
然后可以用神经网络的方法来解决上述优化问题：
这个神经网络和GAN中的Discriminator非常相似，只存在一些细微的差异，作者把它命名为Critic以便与Discriminator作区分。两者的不同之处在于：
1. Critic最后一层抛弃了sigmoid，因为它输出的是一般意义上的分数，而不像Discriminator输出的是概率。
2. Critic的目标函数没有log项，这是从上面的推导得到的。
3. Critic在每次更新后都要把参数截断在某个范围，即weight clipping，这是为了保证上面讲到的Lipschitz限制。
4. Critic训练得越好，对Generator的提升更有利，因此可以放心地多训练Critic。
这样的简单修改就是WGAN的核心了，虽然数学证明很复杂，最后的变动却十分简洁。总结出来的WGAN算法为：
GAN与WGAN的对比如下图：
GAN
WGAN
WGAN的优越之处
最后，该文用一系列的实验说明了WGAN的几大优越之处：
1. 不再需要纠结如何平衡Generator和Discriminator的训练程度，大大提高了GAN训练的稳定性：Critic（Discriminator）训练得越好，对提升Generator就越有利。
2. 即使网络结构设计得比较简陋，WGAN也能展现出良好的性能，包括避免了mode collapse的现象，体现了出色的鲁棒性。
3. Critic的loss很准确地反映了Generator生成样本的质量，因此可以作为展现GAN训练进度的定性指标。
Improved Training ofWasserstein GANs
紧接着上面的工作，这篇论文对刚提出的WGAN做了一点小改进。
作者们发现WGAN有时候也会伴随样本质量低、难以收敛等问题。WGAN为了保证Lipschitz限制，采用了weight clipping的方法，然而这样的方式可能过于简单粗暴了，因此他们认为这是上述问题的罪魁祸首。
具体而言，他们通过简单的实验，发现weight clipping会导致两大问题：模型建模能力弱化，以及梯度爆炸或消失。
他们提出的替代方案是给Critic loss加入gradient penalty (GP)，这样，新的网络模型就叫WGAN-GP。
GP项的设计逻辑是：当且仅当一个可微函数的梯度范数（gradient norm）在任意处都不超过1时，该函数满足1-Lipschitz条件。至于为什么限制Critic的梯度范数趋向1（two-sided penalty）而不是小于1（one-sided penalty），作者给出的解释是，从理论上最优Critic的梯度范数应当处处接近1，对Lipschitz条件的影响不大，同时从实验中发现two-sided penalty效果比one-sided penalty略好。
另一个值得注意的地方是，用于计算GP的样本是生成样本和真实样本的线性插值，直接看算法流程更容易理解：
最后，该论文也通过实验说明，WGAN-GP在训练的速度和生成样本的质量上，都略胜WGAN一筹。
网友评论