SAGAN 4/21-4/23 踩坑日记

目录

• SAGAN 论文介绍与踩坑
  • self-attention
  • TTUR
  • Spectral Normalization
• SAGAN 代码简介
  • 代码关键点
• 有趣的问题
• 参考文献

 

正文

    这几天为了毕业设计项目，忙的不行。因为本人毕设是关于医学图像数据增强算法方面的研究，近期主要是阅读并复现了一篇论文。论文的名称是SAGAN。下面，我将论文和代码进行简要的介绍，主要说的是其中的坑点！

Self-Attention Generative Adversarial Networks Han Zhang, Ian J. Goodfellow Published 30 March 2017 (Citations 1895)

原文链接

    近些年来，随着人工智能，深度学习的不断发展，一大批一大批的网络框架也随之兴起，比如说大名鼎鼎的CNN、RNN系列。但是大多数的进展往往是围绕着判别模型 Discriminator 而言，对于生成模型 Generator 的网络效果却并没有那么好。

    2014年，生成对抗网络之父 Ian 提出了一个全新的网络模型框架，令人耳目一新，而这个网络模型框架就是生成对抗网络 GAN。它和一般的网络架构不同，该模型同时含有一个生成器Generator，和一个判别器Discriminator，两个模型相互拮抗、共同发展。

    虽然说GAN网络结构提出，并且取得一定的效果，但是他的弊端也很严重，主要体现在以下方面。

1. 神经网络难以训练，难以收敛；
2. 网络训练易出现mode collapse问题，模式崩溃；
3. 网络的衡量指标难以定义；

首先，是网络难以收敛的问题，该问题很好理解。在平时的网络调参训练过程中，仅仅是判别器的调参都较为难调，何况在这里是存在两个网络生成器G，和判别器D呢？
第二，mode collapse问题，指的是Generator 生成的图片过于单一，多样性差
第三，生成图片的质量往往具有主观性，很难被及其所衡量。

当然本文的重点不是介绍上面这几种问题，本是在于对SAGAN的介绍

回到顶部

SAGAN 论文介绍与踩坑

     首先SAGAN论文是为了解决在原本图像生成任务中，尤其是对于含有大量结构信息、几何形状图像的生成。在原本的图像生成办法中，往往会存在一些问题，比如说生成的狗狗只有三条腿、甚至还可能少了一条等等。Ian认为，这是因为，像素和像素之间关联可能太小，导致不协调的问题。因此引入了大名鼎鼎的 self attention机制，来增强图像之间的关联程度。

     同时，为了提高 GAN 训练过程的稳定性，文中重点使用了两种方法，TTUR 和 Spectral Normalization。 下面，我对该内容进行介绍。

self-attention

     假设，大家对 self attention 机制已经有了一定的了解，我对 self-attention内容进行简要的回顾。举一个简单的 multi-head attention 多头注意力， 如图1所示。 注意力机制的思想，就是给定你n个 query 查询，然后你自身还有 m 个 key-value 键值对，然后给出 query 对应的数值。
     当然，一个很简单的做法。将 Query 和 Key 映射到同一维度，然后计算 某个 query 和所有的 key 之间的相似度，然后加权到 value上。这就是 attention，关键点就是在于权重。 multi-head 指的就是你有很多个attention，然后将他们 concat 起来就好了。看上去很像是我们 CNN中卷积的通道数，这里一个 head 就是一个通道。

图1

    那么，我们的 SAGAN 中的 Attention 是什么样子呢？借用论文中的一张图。我们先不考虑Batch_size 大小。
    输入一张特征图, 形状为(c, h, w)，将其作为 query, key, value 进行 1X1 conv 映射，得到 f(x), g(x), h(x)， 之后 f(x) 转置后，和 g(x) 进行矩阵乘，得到 softmax 操作 query 和 key 的权重，然后和 value 进行矩阵乘法，得到加权的 value_sum，也就是我们 query 之后的结果，最后再次进行 conv 1X1 操作即可。按照图来看，可以看出的进行什么计算，但是感觉他这样运算毫无道理，下面我来一点一点的讲解。

    想一想，我们作者使用 attention 的目的是什么，在于寻找像素和像素的关联，也就是说按道理，我们 query 应该是的正常形状为 (pix_num, c)，pix_num表示的是像素的数量=width*height， c是通道数。 同样因为是self-attention key,value的大小形状和 query一样。
    那么我们下一步，直接计算 query和key的关联度，得到未进行softmax前的attention权重即可。那很简单，query(pix_num, c) 和 $\rm Key^T$ (c, pix_num)进行矩阵乘法，得到矩阵$\rm S, S_{i, j}$表示$\rm query_i 和value_j$对的点积，将其作为query和value的相似度，也就是权重，然后进行softmax操作。 这里的话，你可能有点因为，为什么图中是 f(x)或者是说query 进行tranpose了呢？这不是说的有些矛盾了么？ 用过 Pytorch 的话，你会明白，原始的 query形状为(c, pix_num)，也就是说，咱们上文中的 query和key，已经是转置后的了。我认为这是原文的一大坑点，因为他并没有明确的给出，我们的attention对象应该是像素，虽然你可以get到，应该是pixel
    softmax操作，操作对象是最后一维，因为这代表某一个 query,他所有 key的权重和为1。剩下的就是简单的将权重加到 value 上，然后最后 Residual 操作了，从图中就很好理解了。

图2

    SAGAN论文，对上图给出了数学公式，不过说实话，这个公式也有些令人头疼。（因为我懒的用 LaTeX写了，直接给截图）

    首先要吐槽的一点$x_i$为什么是列向量，第一次看公式的我直接头都大了，这里的$x_i$和编程习惯完全不同，他指的是数学上列向量优先的列向量。
    然后，计算到 $S_{i,j}$我可以理解，毕竟是我刚刚解释过的 query和key的加权，但是不幸的是 softmax 之后，$\beta$ 居然转置了。。。这一部分公式写的很古怪，甚至我事后写完代码也觉着很古怪，我觉着借助代码理解起来会好很多。

TTUR

    从实践的角度上，GAN训练过程中，经过正则化的判别器Discriminator需要多次更新，当Generator更新一次的时候。本文使用的方法是，提高 Discriminator 的Learning Rate，以达到类似的效果。而且相比更新一次G，更新K次D，TTUR的计算量更小，实践起来也很简单，对优化器的参数Learning Rate进行调整即可

Spectral Normalization

     在GAN的经典论中 WGAN 中，提出了 Wasserstein Distance 从损失函数的方面减缓 GAN训练不稳定的问题。

$W(P_r, P_g)=\sup\limits_{Lip~1} E_{x-p_r}[f(x)]-E_{x-p_g}[f(x)] \dots\dots\dots(1)$
其中，Lipschitz约束简单而言就是：要求在整个f(x)的定义域内有$\frac{||f(x)-f(x')||}{||x-x'||}\le {\rm M}$

但是，但是拉普拉斯平滑问题解决的方法却并不高明，对权重进行 clip 操作，使得容易发生梯度消失的现象。
对此WGAN-GP，提出了 Grapdient Penalty 的解决方法

本文选取的是另一种解决方法，来自于 SNGAN 这篇论文。
首先，我们考虑一层卷积、或者是线性层，加上激活函数ReLU，可以写为：
$x_{i} = a_i(W_ix_{i-1}+b_i)$，输入为$x_{i-1}$，输出为$x_i$，激活函数为$a_i$，权重偏置分别为$W_i,b_i$

此时，为了方便公式的推导，我们省略偏置$b_i$，并且$a_i$函数可以看作是一个对角阵，对角的数值是一个变量，和他乘以的数字有关，倘若矩阵乘时候，乘以的数字为正，那么他为1，否则为0。因此公式变形为
$x_{i} = D_{i, x_{i-1}}W_ix_{i-1}$

那么，整个神经网络可以表示为
$f(x) = D_{L, x_{L-1}}W_L\cdot D_{L-1, x_{L-2}}W_{L-1}\cdots D_{1, x_{0}}W_1x_{0}$

让我们重新考虑一下WGAN提出的1-Lipschitz
Lipschitz约束是对f(x)的梯度提出的要求，下面我们利用上面的公式，对f(x)的梯度进行等价并放缩
$||\nabla_{x}(f(x))||_2=||D_LW_L\cdots D_1W_1||_2 \le||D_N||_2||W_N||_2\cdots||D_1||_2||W_1||_2$

这是直接参考的博客，说实话，只是模模糊糊的看了一些，主要是关注如何求解 $\sigma(A)$了。而且我认为这个证明有点奇怪，对这个证明有兴趣的话，可以直接参考论文。 SNGAN

首先，我们求解的是矩阵的最大特征值。这里使用的是迭代的方法，可以尝试这样理解。
对于n×n方阵A，在给定一个随机向量x(n×1),假设 A有k个特征向量，对应k个特征值
$(\lambda_1, v_1), (\lambda_2, v_2), (\lambda_3, v_3), (\lambda_k, v_k)$
将x分解到特征向量的空间上
$x=\tau_1 v_1+\tau_2 v_2+\cdots+\tau_k v_k$,
那么
$Ax=\lambda_1 \tau_1 v_1+\lambda_2 \tau_2 v_2+\cdots+\lambda_k \tau_k v_k$,
$A^2x=\lambda_1^2 \tau_1 v_1+\lambda_2^2 \tau_2 v_2+\cdots+\lambda_k^2 \tau_k v_k$,

$A^mx=\lambda_1^m \tau_1 v_1+\lambda_2^m \tau_2 v_2+\cdots+\lambda_k^m \tau_k v_k$,
可以看出，当 m无穷大的时候， $A^mx$基本上是最大特征值对应特征向量的方向，只需要计算出 m+1次的结果，然后两者向量的长度做除法即可。

当然，如果你已经是正则化了，求解就更为简单了，
u是 $m\to \infty$ 后正则化的向量，那么$v = Au$
$u\cdot v$即为最大特征值，因为向量点积公式，$\vec a\vec b=|a||b|cos\theta, \theta=0, |u|=1$，直接只剩$\lambda$。因为这个涉及到我们的weight矩阵不是防止，代码求解的是 $WW_T$的特征值，凑合着用了。

回到顶部

SAGAN 代码简介

代码关键点

1.SelfAttention
主要是转置部分，是一个绕点。
这个是在于我提过的转置的问题，原本应该是
$Query \times Key_T \times Value, Query\in \R^{n\times c}, Key\in \R^{n\times c}, Value\in \R^{n\times c}$
$n$表示像素的$width \times height$, $c$表示$channels$，但是因为Pytorch C前面，所以说就导致了很绕的代码。
而且主语为什么后来的 weight 进行permute，而不是value进行permute，是为了减少后面的多次permute。
就相当于 $(A \times B_T)_T = B \times A_T$，这个是最绝的地方，感觉要是不说的话，真不知道在写什么。。。

        batch_size, channels, height, width = x.shape
        queries = self.conv_q(x).reshape(batch_size, -1, height * width)
        keys = self.conv_k(x).reshape(batch_size, -1, height * width)
        values = self.conv_v(x).reshape(batch_size, -1, height * width)
        weight = torch.softmax(torch.bmm(queries.permute(0, 2, 1), keys), dim=-1)
 
        # 正常 self attention 写法
        # y = torch.bmm(weight, values.permute(0, 2, 1)).permute(0, 2, 1)
        y = torch.bmm(values, weight.permute(0, 2, 1)).reshape(batch_size, -1, height, width)
        return x + self.gamma * y, weight

2.SpectralNorm
在于 self.blks 居然不被识别，而且需要 u, v的迭代进程，调用子 module 的forward函数
主要就是调用我们的迭代算法计算 $\sigma(A)$，u,v进行更新。

3.hinge loss
何时进行 mean 操作，一定要在外面 mean() 操作。

# loss_d = torch.relu(1 - torch.mean(disc_real)) +\
#          torch.relu(1 + torch.mean(disc_fake))
loss_d = torch.relu(1 - disc_real).mean() + \
         torch.relu(1 + disc_fake).mean()

回到顶部

有趣的问题

1、为什么使用self-attention, conv 不能做吗？
    使用 self-attention 是为了做一些长范围依赖性的图像生成任务，主要在于图片有着较强的结构信息、几何形状信息等等，如果是信息若的背景图，使用self-attention效果可能变差。
这里给出self-attention中conv不能及的优点：
    首先要提的是，self-attention能看到全局的视野，但是对于conv而言，他需要很多层才能使特征野达到很大的范围，这些conv层可能存在这些问题。 比如说层次少了，可能表达能力不到，能不到全局信息。优化算法也不一定可以优化到这种底部。或者说是，学习到的信息泛化能力不够强，对于新图片不适用。
    但是将 conv 全部换成 self-attention 也不太现实，计算复杂度，显存也没有办法承受。 因此SAGAN 使用 self-attention 放在最后2层，并且使用 1X1 conv 做了通道维度的降低，减少计算量。

2、GAN常常被视为一种极不稳定，很容易受到超参数选择影响的网络，现在这些工作都在哪些方面？
    GAN的最新科研工作如下：
第一、在于网络结构框架的设计，如pix2pix、SRGAN,CycleGAN 使用的 Residual Block，SAGAN放入self-attention，又比如说PatchGAN
第二、损失函数的重新选定， f-GAN、WGAN、WGAN-GP， hinge损失，都是从损失函数的角度，并且可能加入L1-loss(pix2pix) 来捕获低频信息，Cycle_loss、Identy_loss(Cycle)等方面进行补充网络框架的改进，
第三、正则化方法，比如说使用 BatchNorm， InstanceNorm，LayerNorm，PixelNorm等等。
第四、启发式方法，SpectralNorm可能说的是其中的一种。

当然也有提出一些GAN的衡量指标的论文(往往是顺带着提出的)，比如说 InceptionScore(IS), FID（Fréchet Inception Distance），这两个内容会在下一篇博客更新。

回到顶部

参考文献

谱归一化（Spectral Normalization）的理解

谱范数正则（Spectral Norm Regularization）的理解