【专栏】觉得 GAN 不好理解？GANLab 将GAN的训练过程可视化给你看

来源：专知

【导读】Generative Adversarial Network (GAN) 是当下最热门的研究领域之一。它主要包括了两个部分，即生成器 generator 与判别器 discriminator。生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接收的图片进行真假判别。如果你对上述描述有些困惑， 没关系，Minsuk Kahng 等同学，近日在计算机视觉顶级期刊TVCG上，发布了一款新工具 GANLab，可以让你轻松理解 GAN 的训练过程。

• 论文 

• GAN Lab: Understanding Complex Deep Generative Models using Interactive Visual Experimentation

• 作者 

• Minsuk Kahng, Nikhil Thorat, Polo Chau, Fernanda Viégas, and Martin Wattenberg. 

• 期刊

• IEEE Transactions on Visualization and Computer Graphics

• GANLab网址

• https://poloclub.github.io/ganlab/

• 整理报道

• huaiwen

首先让我们一睹为快，到底 GAN 是怎么训练的：

视频内的 GANLab 工具，分为几个功能区：

左侧的网络区， 包含了这个 GAN 的网络结构，和生成过程。中间的展示区，展示了，生成器生成的假样本（图中紫色），在不断拟合真样本（图中绿色）的过程， 同时，展示区，还通过背景颜色的不同，展示了判别器，对各个样本的判别结果：紫色背景，表示判别为假； 绿色背景表示判别为真。

在整个过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假，这个过程相当于一个二人博弈，随着时间的推移，生成器和判别器在不断地进行对抗，最终两个网络达到了一个动态均衡：生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近 0.5（相当于随机猜测类别）。

但实际训练过程中，判别器和生成器之间的平衡很难掌控，比如，如下就是一个判别器学的过强的例子：

为此，我们可以细致的调节参数，GANLab 可以自由设置参数：

如图所示，我们可以调整噪声的生成方式， 生成器的隐层个数， 优化方法， 学习率，判别器隐层个数机器优化方法等等。

GANLab 的最右边，是 Metrics 量表区，展示一些学习过程中的 Loss 情况；一般来说，这些Loss 信息，并不能用来判断 GAN 到底收敛与否。具体情况， 大家可以自行尝试， 相信你会对 GAN 有一个全新的认知。

高质量延伸阅读

☞ OpenPV平台发布在线的ParallelEye视觉任务挑战赛

☞【学界】第1届“智能车辆中的平行视觉”研讨会成功举行

☞【学界】生成式对抗网络：从生成数据到创造智能

☞【学界】OpenPV：中科院研究人员建立开源的平行视觉研究平台

☞【学界】基于平行视觉的特定场景下行人检测

☞【学界】ParallelEye：面向交通视觉研究构建的大规模虚拟图像集

☞【CFP】Virtual Images for Visual Artificial Intelligence

☞【最详尽的GAN介绍】王飞跃等：生成式对抗网络 GAN 的研究进展与展望

☞【智能自动化学科前沿讲习班第1期】王飞跃教授：生成式对抗网络GAN的研究进展与展望

☞【智能自动化学科前沿讲习班第1期】王坤峰副研究员：GAN与平行视觉

☞【重磅】平行将成为一种常态：从SimGAN获得CVPR 2017最佳论文奖说起

☞【平行讲坛】平行图像：图像生成的一个新型理论框架

☞【学界】基于生成对抗网络的低秩图像生成方法

☞【学界】Ian Goodfellow等人提出对抗重编程，让神经网络执行其他任务

☞【学界】六种GAN评估指标的综合评估实验，迈向定量评估GAN的重要一步

☞【资源】T2T：利用StackGAN和ProGAN从文本生成人脸

☞【学界】 CVPR 2018最佳论文作者亲笔解读：研究视觉任务关联性的Taskonomy

☞【业界】英特尔OpenVINO™工具包为创新智能视觉提供更多可能

☞【学界】ECCV 2018: 对抗深度学习: 鱼 (模型准确性) 与熊掌 (模型鲁棒性) 能否兼得