Chainer-GAN庫發布，實現多種GAN及特徵匹配去噪

原文來源：GitHub、Arxiv

「機器人圈」編譯：嗯~阿童木呀、BaymaxZ

Chainer是一個基於Python的深度學習框架。它基於動態計算圖以及面向對象的高級API，以構建並訓練神經網路，提供自動微分API。它還支持CUDA / cuDNN使用CuPy進行高性能訓練。

Chainer-GAN庫彙集了當前最高水準的基於Chainer實現的GAN演算法；

這些代碼已在Cifar-10數據集中，使用inceptionscore進行過評估；

請注意，代碼在基於原論文的基礎上做了些許修改。

如何使用？

首先要閱讀安裝要求：

pip install -r requirements.txt

此實現已通過以下版本進行測試。

python 3.5.2

從https://github.com/hvy/chainer-inception-score中可獲得inception score模塊，下文將進行詳細解讀。

git submodule update -i

下載inception模型。

cd common/inception

你可以使用train.py開始進行訓練。

python train.py --gpu 0 --algorithm dcgan --out result_dcgan

請參閱example.sh來訓練其他演算法。

定量評估

Inception scores是通過對5000個樣本進行10次平均評估得到的。

FID是通過對5000個訓練數據集和10000個生成樣本進行計算的。

生成的圖像

WGAN-GP

DFM

Cramer GAN

DRGAN

DCGAN

Minibatch discrimination

BEGAN

Inception Score

Inception score模塊的Chainer實現發佈於《訓練生成對抗網路的技術改進》（ImprovedTechniques for Training GANs）這篇論文中。代碼源自OpenAI的官方開源代碼（https://github.com/openai/improved-gan）。

Inception Score是OpenAI的Tim Salimans、GANs之父IanGoodfellow等人2016年在上述論文中提出的一種方法，使用預訓練的分類器網路和採樣圖像，評估諸如VAE和GAN之類的生成式模型。

這正是基於以下事實：良好的樣本（圖像看起來像來自真實數據分布的圖像）預計會產生：

低熵p(y|x)，即高預測置信度

高熵p(y)，即高度變化的預測

其中x是圖像，p(y|x)是預先訓練的Inception網路給出的x的推斷類標籤概率，p(y)是所有圖像上的邊際分布。

Inception Score的定義為exp(E_x[KL(p(y|x)|| p(y))])

用法

下載預先訓練好的TensorFlow模型並創建一個名為inception_score.model的Chainer副本。

python download.py --outfile inception_score.model

載入預先訓練的Chainer模型，並計算包括訓練圖像和測試圖像在內的CIFAR-10數據集的inception score。為了限制圖像的數量，請使用--samples 選項。

python example.py --model inception_score.model...

在Python中的使用示例

import numpy as npfrom chainer import serializers, datasetsfrom inception_score import Inception, inception_score

注意

從inception score的得分情況來看，該實現相較於原來的基於CIFAR-10，使用雙線性插值從（32,32）到（299,299）上採樣的分數要高得多。

《訓練生成對抗網路的技術改進》

Inception score模塊的Chainer實現發佈於《訓練生成對抗網路的技術改進》這篇論文中，科研人員提出了將應用於生成對抗網路（GAN）框架的各種新的架構特徵和訓練程序。他們專註於GAN的兩個應用：半監督學習，以及人類視覺逼真意義上的圖像生成。與大多數生成模型的工作不同，其主要目標不是訓練一個分配高相似性以測試數據的模型，也不要求模型能夠在不使用任何標籤的情況下進行學習。

使用這些新技術後，科研人員在MNIST、CIFAR-10和SVHN的半監督分類中獲得了可喜成果。所產生的圖像具有已通過視覺圖靈測試證實的高質量：該模型可以生成人類無法從實際數據中區分的MNIST樣本，以及生成人為錯誤率為21.3％的CIFAR-10樣本。我們還以前所未有的解析度呈現除出了ImageNet樣本，並顯示該方法使模型能夠學習到ImageNet等級的可識別特徵。

在該論文中，科研人員推出了幾種旨在鼓勵GAN融合的技術，這些技術是從對非收斂問題的理解中獲得靈感的。這使得半監督學習實現性能的提升和樣本生成的改進。

更多信息可點擊鏈接獲取完整論文（https://arxiv.org/pdf/1606.03498.pdf）

開源代碼獲取：https://github.com/pfnet-research/chainer-gan-lib/blob/master/README.md

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！