摘要：然而，對于廣大工程人員而言，應(yīng)用新技術(shù)仍存在挑戰(zhàn)，谷歌最近開源的庫解決了這個問題。為使開發(fā)者更輕松地使用進行實驗，谷歌最近開源了，一個實現(xiàn)輕松訓(xùn)練和評估的輕量級庫。

生成對抗網(wǎng)絡(luò)（GAN）自被 Ian Goodfellow 等人提出以來，以其優(yōu)異的性能獲得人們的廣泛關(guān)注，并應(yīng)用于一系列任務(wù)中。然而，對于廣大工程人員而言，應(yīng)用新技術(shù)仍存在挑戰(zhàn)，谷歌最近開源的 TFGAN 庫解決了這個問題。

項目鏈接：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/gan

使用

訓(xùn)練神經(jīng)網(wǎng)絡(luò)通常需要定義一個損失函數(shù)，告訴網(wǎng)絡(luò)自己距離目標(biāo)還有多遠(yuǎn)。例如：圖像分類網(wǎng)絡(luò)通常會給出一個損失函數(shù)，對錯誤的分類做出懲罰判定；如果網(wǎng)絡(luò)錯將狗的圖片識別為貓，則獲得高損失值。然而，并非所有問題都可以簡單地用損失函數(shù)來標(biāo)量，特別是當(dāng)問題涉及到人類感知上時，如圖像壓縮或文本轉(zhuǎn)語音系統(tǒng)等。生成對抗網(wǎng)絡(luò)（GAN）的出現(xiàn)解決了其中的很多問題，它是一種先進的機器學(xué)習(xí)方法，已被廣泛應(yīng)用于從文本生成圖像、超分辨率和讓機器人學(xué)習(xí)抓取物體等任務(wù)中。但 GAN 的出現(xiàn)也引入了新的理論，為軟件工程帶來了新的挑戰(zhàn)，我們很難跟上 GAN 研究的快速步伐。

為使開發(fā)者更輕松地使用 GAN 進行實驗，谷歌最近開源了 TFGAN，一個實現(xiàn)輕松訓(xùn)練和評估 GAN 的輕量級庫。它為開發(fā)者輕松訓(xùn)練 GAN 提供了基礎(chǔ)條件，提供經(jīng)過完整測試的損失函數(shù)和評估指標(biāo)，同時提供易于使用的范例，這些范例展示了 TFGAN 的表達能力和靈活性。谷歌還發(fā)布了一個包含高級 API 的教程，幫助人們快速上手，使用自己的數(shù)據(jù)訓(xùn)練模型。

TFGAN 教程：https://github.com/tensorflow/models/blob/master/research/gan/tutorial.ipynb

上圖展示了對抗損失在圖像壓縮中的影響。最頂端一行圖片來自 ImageNet 數(shù)據(jù)集。中間一行展示了用傳統(tǒng)損失訓(xùn)練的圖像壓縮神經(jīng)網(wǎng)絡(luò)對圖像進行壓縮和解壓縮的結(jié)果。底行圖片展示了使用傳統(tǒng)損失和對抗性損失訓(xùn)練的網(wǎng)絡(luò)進行圖像壓縮的結(jié)果。使用 GAN 損失函數(shù)的圖像更加清晰，包含更多細(xì)節(jié)，即使它可能會與原圖像的差距更大。

TFGAN 以幾種簡單的方式支持實驗。它提供簡單的函數(shù)調(diào)用，涵蓋大部分 GAN 用例，讓你僅用幾行代碼就可以用自己的數(shù)據(jù)運行模型。同時，它是以模塊化方式構(gòu)建的，可以覆蓋更多的 GAN 結(jié)構(gòu)設(shè)計。你可以自由選用自己想要的模塊——損失、評估、特征、訓(xùn)練等等，所有這一切都是互相獨立的。TFGAN 的輕量級設(shè)計意味著你既可以在原生 TensorFlow 代碼上使用它，也可以與其他框架一同使用。使用 TFGAN 編寫的 GAN 模型可以輕松獲取未來基礎(chǔ)設(shè)施改善帶來的便利。在這里，你可以從大量已實現(xiàn)的損失和功能中進行選擇，無需重新編寫自己的模型。最后，這些代碼都經(jīng)過了完整測試，你不必?fù)?dān)心使用 GAN 庫經(jīng)常出現(xiàn)的數(shù)值或統(tǒng)計錯誤。

TFGAN 由以下幾個獨立存在的部分組成：

核心：提供訓(xùn)練 GAN 所需的主要基礎(chǔ)設(shè)施。訓(xùn)練分四個階段進行，每個階段都可以通過自定義代碼或使用 TFGAN 庫調(diào)用來完成。

功能：很多常見的 GAN 操作和歸一化技術(shù)可供使用，包括實例歸一化和條件化（conditioning）。

損失：允許輕松利用已實現(xiàn)且經(jīng)過完整測試的損失和懲罰機制進行實驗，如 Wasserstein 損失、梯度懲罰、互信息懲罰等。

評估：使用 Inception Score 或 Frechet Distance 與預(yù)訓(xùn)練的 Inception 網(wǎng)絡(luò)評估無條件生成模型。你還可以使用自己的預(yù)訓(xùn)練分類器獲得更加具體的結(jié)果，或使用其他方法對條件生成模型進行評估。

示例和教程：從示例中可以學(xué)習(xí)如何使用 TFGAN 讓 GAN 訓(xùn)練變得更簡單，你也可以參考更復(fù)雜的示例來啟動自己的項目。這些內(nèi)容包括無條件和條件 GAN、InfoGAN、現(xiàn)有網(wǎng)絡(luò)的對抗損失，以及圖像到圖像翻譯。

大多數(shù)神經(jīng)文本轉(zhuǎn)語音系統(tǒng)（TTS）都會生成過于平滑的頻譜。當(dāng)應(yīng)用 Tacotron TTS 系統(tǒng)時，GAN 可以生成一些更加接近真實紋理的頻譜，從而減少結(jié)果音頻中的人工痕跡。

使用 TFGAN 還意味著你正在使用和大量谷歌研究者相同的基礎(chǔ)工具，這樣，你就可以從谷歌員工開發(fā)的前沿技術(shù)中受益。與此同時，所有人也都可以在 GitHub 上做出自己的貢獻，谷歌希望分享代碼的精神可以促進整個機器學(xué)習(xí)社區(qū)的發(fā)展。

原文地址：https://research.googleblog.com/2017/12/tfgan-lightweight-library-for.html

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754