14 改善GAN训练之引入正则化技术

查看大图

GAN 的关键是生成器和判别器互相推动，学习时要同时看结构、训练和样本质量。阅读时可以按「正则化技术概述 -> 权重正则化 -> 梯度惩罚 -> 实现示例」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「正则化技术概述」，再查「权重正则化」。

在上一篇文章中，我们探讨了使用不同的损失函数来改善GAN（生成对抗网络）的训练效果。正如我们之前提到的，GAN训练的不稳定性常常是因为生成器和鉴别器之间的竞争导致的。为了进一步稳定GAN的训练过程，我们可以引入一些正则化技术。本篇文章将详细介绍这些技术，并结合案例来说明它们的有效性。

1. 正则化技术概述

正则化技术的主要目的是防止模型的过拟合，确保生成器和鉴别器在训练过程中能够更好地泛化。我们可以通过几种方式引入正则化，主要包括：

• 权重正则化：对模型的权重施加惩罚，常用的有L1和L2正则化。
• 梯度惩罚：通过对鉴别器的梯度进行限制来改善训练稳定性。
• 批量归一化（Batch Normalization）：在网络的不同层之间标准化输入，以加速训练和改善收敛性。

2. 权重正则化

在GAN中，为了避免生成器和鉴别器的权重过大，我们可以使用L2正则化。具体来说，我们在损失函数中添加权重的L2范数：

$$L = L_{\text{original}} + \lambda \cdot \| W \|_2^2$$

其中，$L_{\text{original}}$是原始损失函数，$W$是要正则化的权重，$\lambda$是正则化的强度，通常需要通过实验来选择合适的值。

代码示例

以下是一个使用PyTorch实现L2正则化的简单例子：

import torch
import torch.nn as nn
import torch.optim as optim

class Generator(nn.Module):
    # 生成器网络结构
    pass

class Discriminator(nn.Module):
    # 鉴别器网络结构
    pass

generator = Generator()
discriminator = Discriminator()

optimizer_G = optim.Adam(generator.parameters(), lr=0.0002, betas=(0.5, 0.999))
optimizer_D = optim.Adam(discriminator.parameters(), lr=0.0002, betas=(0.5, 0.999))

lambda_reg = 0.01

def train_step(real_data):
    # 训练步骤
    optimizer_D.zero_grad()
    # 计算鉴别器损失
    loss_D = discriminator_loss(real_data)
    # 权重正则化
    reg_loss = sum([torch.norm(param) ** 2 for param in discriminator.parameters()])
    total_D_loss = loss_D + lambda_reg * reg_loss
    total_D_loss.backward()
    optimizer_D.step()
    
    # 训练生成器
    optimizer_G.zero_grad()
    loss_G = generator_loss()
    loss_G.backward()
    optimizer_G.step()

在上述代码中，我们在鉴别器的损失计算中加入了L2正则化。这样可以防止网络学习过于复杂的特征，从而提高模型的泛化能力。

3. 梯度惩罚

除了权重正则化之外，另一个常用的正则化技术是对鉴别器的梯度进行惩罚，这种方法在WGAN（Wasserstein GAN）中非常有效。我们通过添加一个梯度惩罚项来限制梯度的大小：

$$L = L_{\text{original}} + \lambda \cdot \text{max}(0, \| \nabla D(x) \|_2 - 1)^2$$

这里，$D(x)$是鉴别器对真实样本$x$的判别，$\| \nabla D(x) \|_2$是该判别的梯度大小。我们希望梯度的L2范数保持在1之内，这有助于确保模型稳定。

实现示例

以下是实现梯度惩罚的PyTorch示例：

查看大图

在 GAN 训练中引入正则化时，先看梯度惩罚、谱归一化、标签平滑、数据增强和样本质量变化。

def gradient_penalty(real_data, fake_data):
    alpha = torch.rand((real_data.size(0), 1, 1, 1)).cuda()  # 随机生成alpha
    interpolated = alpha * real_data + (1 - alpha) * fake_data
    interpolated.requires_grad_(True)
    
    d_interpolated = discriminator(interpolated)
    gradients = torch.autograd.grad(outputs=d_interpolated, inputs=interpolated,
                                     grad_outputs=torch.ones(d_interpolated.size()).cuda(),
                                     create_graph=True, retain_graph=True)[0]
    gp = torch.mean((gradients.norm(2, dim=1) - 1) ** 2)
    return gp

def train_step(real_data):
    optimizer_D.zero_grad()
    # 计算D损失
    loss_D = discriminator_loss(real_data, fake_data) + gradient_penalty(real_data, fake_data)
    loss_D.backward()
    optimizer_D.step()

在上述代码中，我们计算了插值样本的梯度并加入了梯度惩罚项，从而有效控制了鉴别器的梯度大小。

4. 批量归一化

使用批量归一化可以解决训练过程中内部协变量偏移的问题。通过标准化输入，我们可以使训练更稳定。通常在生成器和鉴别器的全连接层中添加批量归一化层，有助于加速收敛。

代码示例

class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.fc = nn.Sequential(
            nn.Linear(100, 256),
            nn.BatchNorm1d(256),  # 批量归一化
            nn.ReLU(),
            nn.Linear(256, 512),
            nn.BatchNorm1d(512),  # 批量归一化
            nn.ReLU(),
            nn.Linear(512, 1024),
            nn.BatchNorm1d(1024),  # 批量归一化
            nn.ReLU(),
            nn.Linear(1024, 784),
            nn.Tanh()
        )

![生成对抗网络阅读地图卡](/images/gan-network-tutorial/lesson-14-reading-map-card.svg)

读完《改善GAN训练之引入正则化技术》后，可以回头问三件事：它解决什么问题，哪一步最容易出错，自己能否拿一个小例子跑通。

    def forward(self, input):
        return self.fc(input)

在生成器的全连接层中使用BatchNorm1d，可以帮助我们实现更好的结构稳健性。

查看大图

学完《改善GAN训练之引入正则化技术》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《改善GAN训练之引入正则化技术》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

5. 总结

通过引入正则化技术，我们能够有效改善GAN训练的稳定性与性能。权重正则化、梯度惩罚和批量归一化等方法均能够提升生成模型的质量及稳定性。在接下来的文章中，我们将进一步探讨通过模型架构的变化来改善GAN训练的效果，敬请期待！