觉得 GAN 不好理解？GANLab 将GAN的训练过程可视化给你看

【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。

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

 AI 项目技术 & 商务合作：bd@zhuanzhi.ai, 或扫描上面二维码联系！

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知