4 生成对抗网络训练技巧之稳定训练技巧

查看大图

GAN 进阶内容要围绕稳定性、条件控制、架构变化和评估方法建立判断框架。阅读时可以按「训练技巧 -> 使用标签平滑 -> 重新打样 -> 使用更强的初始化」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「训练技巧」，再查「使用标签平滑」。

在上篇我们回顾了生成对抗网络（GAN）的损失函数，了解了如何通过不同的损失函数设计来改善生成模型的表现。现在，我们将专注于GAN的训练过程中的稳定性问题，并分享一些有效的训练技巧。

生成对抗网络的训练过程常常被形容为“博弈”，这意味着生成器（Generator）和判别器（Discriminator）需要不断相互对抗，以提高各自的性能。然而，这种对抗过程可能会导致训练的不稳定性，比如模式崩溃（mode collapse）。在这一篇中，我们将讨论一些能够提高训练稳定性的方法。

训练技巧

1. 使用标签平滑（Label Smoothing）

查看大图

学习稳定训练技巧时，重点看损失曲线、样本质量、判别器过强和模式坍塌这些信号。训练是否平衡，比单次结果更重要。

标签平滑是一种常用的正则化技巧。通过将真实标签的值从$1$稍微降低，例如将真实标签改变为$0.9$，可以帮助提高判别器的泛化能力，从而避免其过于自信（overconfident）的判断。

# 标签平滑示例
smooth_labels = 0.9 * real_labels + 0.1 * 0

这种方式可以让判别器的损失函数更加平滑，从而提高生成器的训练稳定性。

2. 重新打样（Re-training）

有时候，生成器或判别器的更新频率不均衡可能会导致不稳定。我们可以通过对判别器进行多次更新来解决这个问题。例如，先训练多次判别器，再训练一次生成器。

# 假设定义重新打样的次数
num_d_updates = 5
for _ in range(num_d_updates):
    # 更新判别器
    train_discriminator(real_data, noise)
# 更新生成器
train_generator(noise)

这种方法有助于判别器在生成器更新之前达到一个较好的状态。

3. 使用更强的初始化

合理的权重初始化可以影响模型的训练稳定性。常用的初始化方法包括Xavier初始化和He初始化。通过防止初始权重过大或过小，可以避免网络在训练初期段的梯度消失或爆炸问题。

import torch.nn as nn

class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.fc = nn.Linear(100, 256)
        nn.init.xavier_uniform_(self.fc.weight)

class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.fc = nn.Linear(256, 1)
        nn.init.xavier_uniform_(self.fc.weight)

4. 采用渐进式训练（Progressive Training）

渐进式训练是一种通过逐步增加复杂度的方法，可以有效提高训练的稳定性。例如，在训练初期只生成较小分辨率的图像，待模型稳定后，再逐步增加图像的分辨率。

# 假设训练逻辑
def train_gan(generator, discriminator, dataloader, start_res, target_res):
    for res in range(start_res, target_res + 1, step):
        # 训练 GAN 逻辑
        train_generator(generator, discriminator, dataloader, res)

5. 应用经验回放（Experience Replay）

经验回放是一种在训练中使用过去的数据的技术，能够增加模型的多样性和稳定性。通过保存历史生成的样本并在训练时进行回放，可以有效减少模型的模式崩溃。

historical_samples = []

# 在每次生成后保存历史样本
for step in range(num_steps):
    generated_sample = generator(noise)
    historical_samples.append(generated_sample)

# 在训练中随机选择历史样本
replay_sample = random.choice(historical_samples)
train_discriminator(real_data, replay_sample)

查看大图

读到这里，可以把《生成对抗网络训练技巧之稳定训练技巧》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《生成对抗网络训练技巧之稳定训练技巧》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

结论

训练生成对抗网络可能会伴随许多不稳定性问题，然而，通过合理地调整训练策略和技巧，可以显著提高训练的稳定性。本篇中讨论的方法如标签平滑、重新打样、强初始化、渐进式训练和经验回放，均已在不同的应用中展现出良好的效果。

查看大图

《生成对抗网络训练技巧之稳定训练技巧》可以按“场景、概念、动作、结果”来读。先把这四件事对齐，再回到正文里的参数、代码或流程。

下一篇中，我们将深入探讨学习率的调整技巧，这对于提升GAN训练的效果和稳定性也是至关重要的。