GAN训练的难点

Question

我试着训练一个GAN来学习在一个事件中的一些特征的分布。被训练的鉴别器和生成器具有较低的损耗，但是生成的事件有不同的形状分布，但我不知道为什么。

我对GAN的定义如下：

def create_generator():

    generator = Sequential()

    generator.add(Dense(50,input_dim=noise_dim))
    generator.add(LeakyReLU(0.2))    
    generator.add(Dense(25))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(5))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(len(variables), activation='tanh'))

    return generator


def create_descriminator():
    discriminator = Sequential()

    discriminator.add(Dense(4, input_dim=len(variables)))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(1, activation='sigmoid'))   
    discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)
    return discriminator


discriminator = create_descriminator()
generator = create_generator()

def define_gan(generator, discriminator):
    # make weights in the discriminator not trainable
    discriminator.trainable = False
    model = Sequential()
    model.add(generator)
    model.add(discriminator)
    model.compile(loss = 'binary_crossentropy', optimizer=optimizer)
    return model

gan = define_gan(generator, discriminator)

我用这个回路训练GAN：

for epoch in range(epochs):
    for batch in range(steps_per_epoch):
        noise = np.random.normal(0, 1, size=(batch_size, noise_dim))
        fake_x = generator.predict(noise)

        real_x = x_train[np.random.randint(0, x_train.shape[0], size=batch_size)]

        x = np.concatenate((real_x, fake_x))
        # Real events have label 1, fake events have label 0
        disc_y = np.zeros(2*batch_size)
        disc_y[:batch_size] = 1

        discriminator.trainable = True
        d_loss = discriminator.train_on_batch(x, disc_y)

        discriminator.trainable = False
        y_gen = np.ones(batch_size)
        g_loss = gan.train_on_batch(noise, y_gen)

我的真实事件使用sklearn标准定标器进行缩放：

scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)

产生事件：

X_noise = np.random.normal(0, 1, size=(n_events, GAN_noise_size))
X_generated = generator.predict(X_noise)

然后，当我在训练了几百到几千次之后使用经过训练的GAN生成新的事件并进行扩展，我得到的发行版如下所示：

​

​

在真实和假的事件中，两种特征互相勾勒：

​

这看起来类似于模式崩溃，但我不认为这会导致这些极值，在这些点之后，所有的东西都被切断了。

Answer 1

模式崩溃导致生成器找到几个值或小范围的值，这些值在欺骗鉴别器方面做得最好。由于您生成的值范围相当窄，我相信您正在经历模式崩溃。您可以对不同的时间进行培训，并绘制结果以查看崩溃发生的时间。有时，如果你训练足够长的时间，它会修复自己，重新开始学习。关于如何训练甘斯，我有十亿条建议，我收集了一堆人，然后用蛮力通过他们，为每一个甘。您可以尝试每隔一个周期对鉴别器进行一次培训，以便给生成器一个学习机会。另外，有几个人建议不要同时对鉴别者进行真假数据的培训(我还没有这么做，所以我也说不出影响是什么)。您可能还想尝试添加一些批处理规范化层。詹森·布朗利()有一堆关于训练甘斯的好文章，你可能想从那里开始。