Chainer-GAN库发布，利用Chainer实现多种GAN算法及特征匹配去噪

原文来源：GitHub、Arxiv

「机器人圈」编译：嗯~阿童木呀、BaymaxZ

Chainer是一个基于Python的深度学习框架。它基于动态计算图以及面向对象的高级API，以构建并训练神经网络，提供自动微分API。它还支持CUDA / cuDNN使用CuPy进行高性能训练。

Chainer-GAN库汇集了当前最高水准的基于Chainer实现的GAN算法；

这些代码已在Cifar-10数据集中，使用inceptionscore进行过评估；

请注意，代码在基于原论文的基础上做了些许修改。

如何使用？

首先要阅读安装要求：

pip install -r requirements.txt

此实现已通过以下版本进行测试。

python 3.5.2

从
https://github.com/hvy/chainer-inception-score中可获得inception score模块，下文将进行详细解读。

git submodule update -i

下载inception模型。

cd common/inception

你可以使用train.py开始进行训练。

python train.py --gpu 0 --algorithm dcgan --out result_dcgan

请参阅example.sh来训练其他算法。

定量评估

Inception scores是通过对5000个样本进行10次平均评估得到的。

FID是通过对5000个训练数据集和10000个生成样本进行计算的。

生成的图像

WGAN-GP

DFM

Cramer GAN

DRGAN

DCGAN

Minibatch discrimination

BEGAN

Inception Score

Inception score模块的Chainer实现发布于《训练生成对抗网络的技术改进》（ImprovedTechniques for Training GANs）这篇论文中。代码源自OpenAI的官方开源代码（
https://github.com/openai/improved-gan）。

Inception Score是OpenAI的Tim Salimans、GANs之父IanGoodfellow等人2016年在上述论文中提出的一种方法，使用预训练的分类器网络和采样图像，评估诸如VAE和GAN之类的生成式模型。

这正是基于以下事实：良好的样本（图像看起来像来自真实数据分布的图像）预计会产生：

低熵p(y|x)，即高预测置信度

高熵p(y)，即高度变化的预测

其中x是图像，p(y|x)是预先训练的Inception网络给出的x的推断类标签概率，p(y)是所有图像上的边际分布。

Inception Score的定义为exp(E_x[KL(p(y|x)|| p(y))])

用法

下载预先训练好的TensorFlow模型并创建一个名为inception_score.model的Chainer副本。

python download.py --outfile inception_score.model

加载预先训练的Chainer模型，并计算包括训练图像和测试图像在内的CIFAR-10数据集的inception score。为了限制图像的数量，请使用--samples 选项。

python example.py --model inception_score.model

...

在Python中的使用示例

import numpy as npfrom chainer import serializers, datasetsfrom inception_score import Inception, inception_score

注意

从inception score的得分情况来看，该实现相较于原来的基于CIFAR-10，使用双线性插值从（32,32）到（299,299）上采样的分数要高得多。

《训练生成对抗网络的技术改进》

Inception score模块的Chainer实现发布于《训练生成对抗网络的技术改进》这篇论文中，科研人员提出了将应用于生成对抗网络（GAN）框架的各种新的架构特征和训练程序。他们专注于GAN的两个应用：半监督学习，以及人类视觉逼真意义上的图像生成。与大多数生成模型的工作不同，其主要目标不是训练一个分配高相似性以测试数据的模型，也不要求模型能够在不使用任何标签的情况下进行学习。

使用这些新技术后，科研人员在MNIST、CIFAR-10和SVHN的半监督分类中获得了可喜成果。所产生的图像具有已通过视觉图灵测试证实的高质量：该模型可以生成人类无法从实际数据中区分的MNIST样本，以及生成人为错误率为21.3％的CIFAR-10样本。我们还以前所未有的分辨率呈现除出了ImageNet样本，并显示该方法使模型能够学习到ImageNet等级的可识别特征。

在该论文中，科研人员推出了几种旨在鼓励GAN融合的技术，这些技术是从对非收敛问题的理解中获得灵感的。这使得半监督学习实现性能的提升和样本生成的改进。

更多信息可点击链接获取完整论文（
https://arxiv.org/pdf/1606.03498.pdf）

开源代码获取：
https://github.com/pfnet-research/chainer-gan-lib/blob/master/README.md