Question

我正在尝试训练GAN，以了解事件中许多功能的分布。受训的鉴别器和生成器损失很小，但是生成的事件具有不同的形状分布，但我不确定为什么。

我将GAN定义如下：

def create_generator():

    generator = Sequential()

    generator.add(Dense(50,input_dim=noise_dim))
    generator.add(LeakyReLU(0.2))    
    generator.add(Dense(25))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(5))
    generator.add(LeakyReLU(0.2))
    generator.add(Dense(len(variables), activation='tanh'))

    return generator


def create_descriminator():
    discriminator = Sequential()

    discriminator.add(Dense(4, input_dim=len(variables)))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(4))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dense(1, activation='sigmoid'))   
    discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)
    return discriminator


discriminator = create_descriminator()
generator = create_generator()

def define_gan(generator, discriminator):
    # make weights in the discriminator not trainable
    discriminator.trainable = False
    model = Sequential()
    model.add(generator)
    model.add(discriminator)
    model.compile(loss = 'binary_crossentropy', optimizer=optimizer)
    return model

gan = define_gan(generator, discriminator)

然后我使用此循环训练GAN：

for epoch in range(epochs):
    for batch in range(steps_per_epoch):
        noise = np.random.normal(0, 1, size=(batch_size, noise_dim))
        fake_x = generator.predict(noise)

        real_x = x_train[np.random.randint(0, x_train.shape[0], size=batch_size)]

        x = np.concatenate((real_x, fake_x))
        # Real events have label 1, fake events have label 0
        disc_y = np.zeros(2*batch_size)
        disc_y[:batch_size] = 1

        discriminator.trainable = True
        d_loss = discriminator.train_on_batch(x, disc_y)

        discriminator.trainable = False
        y_gen = np.ones(batch_size)
        g_loss = gan.train_on_batch(noise, y_gen)

我的真实事件使用sklearn标准缩放器进行缩放：

scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)

产生事件：

X_noise = np.random.normal(0, 1, size=(n_events, GAN_noise_size))
X_generated = generator.predict(X_noise)

当我在训练了数百到数千个纪元后使用训练有素的GAN生成新事件并进行缩放时，我得到的分布如下所示：

针对真实事件和虚假事件相互绘制两个特征，得出：

这看起来类似于模式崩溃，但是我不知道这怎么会导致这些极端值的出现，一切都将超出这些点。

Answer 1

模式崩溃会导致生成器找到一些值或很小的值范围，这些值或值的范围在欺骗鉴别器方面表现最佳。由于您生成的值范围相当狭窄，因此我认为您正在经历模式崩溃。您可以训练不同的持续时间，并绘制结果以查看崩溃发生的时间。有时，如果您训练足够长的时间，它将自行修复并重新开始学习。关于如何训练GAN有十亿条建议，我收集了一堆，然后为每个GAN蛮力地通过它们。您可以尝试每隔一个周期只训练一次鉴别器，以使生成器有学习的机会。另外，一些人建议不要同时对真实和伪造数据进行鉴别器训练（我没有这样做，所以不能说会产生什么影响，如果有的话）。您可能还想尝试添加一些批处理规范化层。杰森·布朗利（Jason Brownlee）在培训GAN方面有很多不错的文章，您可能要从那里开始。

GAN训练困难

1 个答案: