可视化 GAN 的训练过程

2020-05-31 00:00:00 训练 输入 情况 可视化 噪音

今天介绍的一个开源的 github 项目,主要是实现了对 GAN 训练过程的可视化代码,项目链接如下:

github.com/EvgenyKashi…

接下来是简单介绍这份代码的情况,基本实现的功能,效果等。

前言

这是一个简单实现了学习和可视化 2d 的 GANs 的实验代码。在训练了数十个小时的 StyleGAN 后,现在可以通过快速的迭代(30s 左右)来直观的可视化一些超参数的情况(但是并不确定这种直观情况是否可以适用于更大的 GAN 模型)。主要是受到 poloclub.github.io/ganlab/ 的启发,但可能有人更希望在 Colab 中运行代码。

可视化

对训练的动态过程的可视化包括了:

  • 真实数据的分布情况(黑色的点)
  • 输入固定的噪音,然后由 G 网络生成的假数据;
  • D 网络对整个输入空间的决策边界,以及用不同颜色代表其输出的概率(红色代表判定为真实数据的可能性很高,蓝色则是低)
  • 绿色箭头表示每个生成的数据点,大化 D 网络输出的方向

可视化结果

接下来是展示可视化的一些效果:

没有采用 batch-norm 的 G 和 D 的训练情况

加入 batch-norm 的 G 和 D 的训练情况

评价标准的可视化

行是训练的过程(输入是固定的噪音)以及多种评判标准(G 和 D 的梯度归一化,losses 以及 D 对真假数据的输出)。第二行展示了输入噪音以及 G 网络中间层的激活函数(映射为 2 维)

对输入噪音的 G 网络的转换

可调试的选项

  • 输入数据的分布
  • batch 大小,训练的 epochs
  • D 和 G 的学习率(可能是重要的)
  • D 和 G 的优化器
  • 输入噪音的分布
  • 神经元的数量,激活函数
  • 损失函数(BCE,L2)
  • 权重初始化
  • 正则化(batch-norm,dropout,权重衰减)

采用的是 CPU,因为对可视化的实验已经满足速度的要求。

未来的工作

  • 增加更多的损失函数
  • 增加更多的正则化技术

项目代码可以直接访问 github 查看,或者在我的公众号后台回复“play_gans",获取代码。

欢迎关注我的微信公众号--算法猿的成长,或者扫描下方的二维码,大家一起交流,学习和进步!

相关文章