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:
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。
答案 0 :(得分:2)
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。