TensorFlow动态图5行代码实现迁移学习 - 识别转变风格的MNIST- 专知

TensorFlow动态图5行代码实现迁移学习 - 识别转变风格的MNIST

【导读】迁移学习的目的之一是提升机器学习模型的泛化能力。其中，Domain Adaption使得我们可以仅在源域标注数据，就可以获得在目标域上表现较好的模型。本文用TF动态图实现一种经典的Domain Adaption机制 — 梯度反转层。

本文介绍的算法来自ICML 2015的一篇经典论文《Unsupervised Domain Adaptation by Backpropagation》，目前被引用接近300次。其核心是特征领域分类器和梯度反转层。早期的TensorFlow静态图实现梯度反转层非常麻烦，而现在的TensorFlow动态图只需要几行代码就可以构建高可读性的梯度反转层。本文首先简单介绍该算法的原理，然后介绍如何用TensorFlow动态图（TensorFlow Eager模式）来实现该算法。

数据集和任务

Github上的许多实现版本以MNIST数据集为源域，通过为MNIST数据集添加随机背景的方式来自动构建目标域数据集：

为了简化，本文的代码直接使用MNIST数据集的反色版作为目标域数据集：

算法的任务，是希望仅利用有标注的MNIST数据集，和未标注的反转MNIST数据集（虽然有标签，但是没有使用），一起训练模型，使得在反转MNIST数据集上获得较好的分类效果。

算法原理

算法的框架图如下所示：

算法包含三个模块：

编码器（绿色）：从原始输入获得高阶特征
分类器（蓝色）：最终的分类任务
领域分类器（红色）：识别数据来自源域还是目标域

与生成对抗网络（GAN）的思想类似，编码器类似于GAN中的生成器，领域分类器类似于GAN中的判别器。编码器为了生成能够欺骗领域分类器的特征，会将两个领域的数据都编码为相似分布的数据。

与GAN中分阶段分别训练生成器和判别器的方式不同，该算法使用了梯度反转层（Gradient Reversal Layer，GRL）直接训练模型，GRL层在前向传播时等价于Identity层，即输出等于输入，而在反向传播时，GRL的梯度等于传入梯度的负，再乘上一个正系数。因此，GRL层之后（按照前向传播的方向看前后）的梯度是真实的梯度，而GRL之前的梯度是反转的梯度。如果用梯度下降优化模型，GRL之后的参数（领域分类器参数）会朝着降低领域分类损失的方向去优化，而GRL之前的参数（特征编码器参数）会朝着提升领域分类损失的方向去优化，即混淆两个领域编码后的特征分布。

TensorFlow动态图实现

我们将完整源码上传到了Github:

https://github.com/hujunxianligong/TF-GRL

这里我们介绍核心组件GRL的实现，在TensorFlow动态图（Eager）模式中，如果要定义一个可以自定义梯度的实现，要定义一个函数，用@tf.custom_gradient注解。函数的返回值格式为：[前向传播结果，梯度计算方法]，其中，梯度计算方法也是一个函数，其接收反向传播过来的梯度，返回前向传播每个输入的梯度。因此，GRL层的实现只需要5行代码：

@tf.custom_gradient
def grl(x, alpha):
    def grad(dy):
        return -dy * alpha, None
    return x, grad

网络的编码器、分类器、领域分类器等的实现与普通MNIST分类器基本没有区别，完整代码请查看GITHUB链接：

https://github.com/hujunxianligong/TF-GRL

参考链接：

http://proceedings.mlr.press/v37/ganin15.pdf

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！530+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程

展开全文

阅读 0+

评论 0+