ICCV 2017：训练GAN的16个技巧，2400+星（PPT）

【AI WORLD 2017世界人工智能大会倒计时 10 天 】

“AI达摩”齐聚世界人工智能大会，AI WORLD 2017议程嘉宾重磅发布

在2017年11月8日在北京国家会议中心举办的AI World 2017世界人工智能大会上，我们邀请到 阿里巴巴副总裁、iDST副院长华先胜 ， 旷视科技Face++首席科学家、旷视研究院院长孙剑博士， 腾讯优图实验室杰出科学家贾佳亚教授，以及 硅谷知名企业家、IEEE Fellow Chris Rowen ，共论 人脸识别等前沿计算机视觉技术 。

抢票链接： http://www.huodongxing.com/event/2405852054900?td=4231978320026

大会官网： http://www.aiworld2017.com

新智元编译

作者：Soumith Chintala等

编译：马文

【新智元导读】 本文来自ICCV 2017的Talk：如何训练GAN，FAIR的研究员Soumith Chintala总结了训练GAN的16个技巧，例如输入的规范化，修改损失函数，生成器用Adam优化，使用Sofy和Noisy标签，等等。这是NIPS 2016的Soumith Chintala作的邀请演讲的修改版本，而2016年的这些tricks在github已经有2.4k星。

ICCV 2017 slides： https://github.com/soumith/talks/blob/master/2017-ICCV_Venice/How_To_Train_a_GAN.pdf

NIPS2016： https://github.com/soumith/ganhacks

训练GAN的16个trick

# 1：规范化输入

• 将输入图像规范化为-1到1之间

• 生成器最后一层的输出使用tanh函数（或其他bounds normalization）

#2：修改损失函数（经典GAN）

• 在GAN论文里人们通常用 min (log 1-D) 这个损失函数来优化G，但在实际训练的时候可以用max log D

-因为第一个公式早期有梯度消失的问题

- Goodfellow et. al (2014)

• 在实践中：训练G时使用反转标签能工作得很好，即：real = fake, fake = real

一些GAN变体

【TensorFlow】https://github.com/hwalsuklee/tensorflow-generative-model-collections

【Pytorch】https://github.com/znxlwm/pytorch-generative-model-collections

#3：使用一个具有球形结构的噪声z

• 在做插值（interpolation）时，在大圆（great circle）上进行

• Tom White的论文“Sampling Generative Networks”

- https://arxiv.org/abs/1609.04468

#4: BatchNorm

• 一个mini-batch里面必须保证只有Real样本或者Fake样本，不要把它们混起来训练

• 如果不能用batchnorm，可以用instance norm

#5：避免稀疏梯度：ReLU, MaxPool

• GAN的稳定性会因为引入了稀疏梯度受到影响

• LeakyReLU很好（对于G和D）

• 对于下采样，使用：Average Pooling，Conv2d + stride

• 对于上采样，使用：PixelShuffle, ConvTranspose2d + stride

-PixelShuffle 论文：https://arxiv.org/abs/1609.05158

#6：使用Soft和Noisy标签

• Label平滑，也就是说，如果有两个目标label：Real=1 和 Fake=0，那么对于每个新样本，如果是real，那么把label替换为0.7~1.2之间的随机值；如果样本是fake，那么把label替换为0.0~0.3之间的随机值。

• 训练D时，有时候可以使这些label是噪声：偶尔翻转label

- Salimans et. al. 2016

#7：架构：DCGANs / Hybrids

• 能用DCGAN就用DCGAN，

• 如果用不了DCGAN而且没有稳定的模型，可以使用混合模型：KL + GAN 或 VAE + GAN

• WGAN-gp的ResNet也很好（但非常慢）

- https://github.com/igul222/improved_wgan_training

• width比depth更重要

#8：借用RL的训练技巧

• Experience replay

• 对于deep deterministic policy gradients（DDPG）有效的技巧

• 参考Pfau & Vinyals (2016)的论文

#9：优化器：ADAM

• 优化器用Adam（Radford et. al. 2015）

• 或者对D用SGD，G用Adam

#10：使用 Gradient Penalty

• 使梯度的norm规范化

• 对于为什么这一点有效，有多个理论（WGAN-GP, DRAGAN, 通过规范化使GAN稳定）

#11：不要通过loss statistics去balance G与D的训练过程（经典GAN）

#12：如果你有类别标签，请使用它们

• 如果还有可用的类别标签，在训练D判别真伪的同时对样本进行分类
  

#13：给输入增加噪声，随时间衰减

• 给D的输入增加一些人工噪声(Arjovsky et. al., Huszar, 2016)

• 给G的每一层增加一些高斯噪声(Zhao et. al. EBGAN)

#14：多训练判别器D

• 特别是在加噪声的时候

#15：避开离散空间

• 将生成结果作为一个连续预测