GAN实战笔记：如何应对第五章训练难题，实现GAN成功？

本文共计9012个文字，预计阅读时间需要37分钟。

训练与普及挑战：为成功，GAN评估与回顾——第一章伪原创创意绘画作品类比。设想一位伪创者（生成器）正在测试图模型仿制《贝叶奇画》，希望展示这些仿作的视觉效果以吸引观众。伪创者需与艺术对话。

训练与普遍挑战：为成功而GAN 一、评估

回顾一下第1章中伪造达・芬奇画作的类比。假设一个伪造者（生成器）正在试图模仿达・芬奇，想使这幅伪造的画被展览接收。伪造者要与艺术评论家（判别器）竞争，后者试图只接收真正的作品进入展览。如果你是那位伪造者，目的是伪造这位伟大艺术家的“遗失的作品”，以对达・芬奇风格的完美模仿欺骗艺术评论家，要如何评价自己的做得有多好呢？

GAN试图解决伪造者与艺术评论家之间水无止境的竞争问题。考虑到生成器通常比判别器更受关注，考虑它的评估时应该格外仔细。但是要如何量化一个伟大画家的风格，或者说如何模仿他呢？以及如何才能量化生成作品的整体质量？

1. 评估框架

首选解决方案是拥有达・芬奇用他的风格画出的所有可能的作品，然后看看用GAN生成的图像会不会在这个收藏集中。可以将此过程视为最大化最大似然的非近似版本。事实上，我们已经知道一个图像是否在该集合中，因此不涉及任何可能性。这种解决方案在实际中是水远不可能实现的。

次优的解决方案是评估图像并指出对应要检查的地方，然后合计所有错误或伪造的画的数量。这样局限性很大，而且最终总是需要人类评论家来审查作品。从根本上讲，这种解决方案尽管可能是次优的，但也是不可大规模使用的。

要用一种统计方法来评估生成样本的质量，这样可以扩大评估规模并可在实验中使用。如果没有一个易于计算的度量标准，也就无法监控进展。想象一下，循环中每次超参数初始化时，测量或者反向传播都需要人为调整——这对于评估不同的实验尤其是一个问题。