InfoGAN论文笔记+源码解析

论文地址：InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets

源码地址：InfoGAN in TensorFlow

GAN，Generative Adversarial Network是目前非常火也是非常有潜力的一个发展方向，原始的GAN模型存在着无约束、不可控、噪声信号z很难解释等问题，近年来，在原始GAN模型的基础上衍生出了很多种模型，如：条件——CGAN、卷积——DCGAN等等，在本博客的前几篇博文里均进行了大致的解读，本篇博文将提到的InfoGAN也是GAN的一种改进成果，甚至被OPENAI称为去年的五大突破之一。今天我们就来看看，InfoGAN到底做出了什么样的改进，能达到一个什么样的效果呢。

2014年，Ian J. Goodfellow提出了生成对抗网络：Generative Adversarial Networks，通过generator和discriminator的对抗学习，最终可以得到一个与real data分布一致的fake data，但是由于generator的输入z是一个连续的噪声信号，并且没有任何约束，导致GAN无法利用这个z，并将z的具体维度与数据的语义特征对应起来，并不是一个Interpretable（可解释） Representation，而这正好是InfoGAN的出发点，它试图利用z，寻找一个可解释的表达，于是它将z进行了拆解，一是不可压缩的噪声z，二是可解释的 隐变量c，称作为latent code，而我们希望通过约束c与生成数据之间的关系，可以使得c里面包含有对数据的可解释的信息，如对MNIST数据，c可以分为categorical latent code代 来表数字种类信息（0~9），以及continuous latent code来表示倾斜度、笔画粗细等等。

为了引入c，作者利用互信息来对c进行约束，这是因为如果c对于生成数据G(z,c)具有可解释性，那么c和G(z,c)应该具有高度相关性，即互信息大，而如果是无约束的话，那么它们之间没有特定的关系，即互信息接近于0。因此我们希望c与G(z,c)的互信息I(c;G(z,c))越大越好，因此，模型的目标函数也变为：

但是在I(c;G(z,c))的计算中，真实的P(c|x)并不清楚，因此在具体的优化过程中，作者采用了变分推断的思想，引入了变分分布Q(c|x)来逼近P(c|x)，它是基于最优互信息下界的轮流迭代实现最终的求解，于是InfoGAN的目标函数变为：

在具体的实现中，Q和D共用了所有的卷积层，并只在最后增加了一个全连接层来输出Q(c|x)，因此InfoGAN并没有在原始的GAN上增加多少的计算量。

对于c，如果是categorical latent code，可以使用softmax的非线性输出来代表Q(c|x)；如果是continuous latent code，可以使用高斯分布来表示。

在实验中，作者通过只改表c的某一个维度，来观察生成数据的变化，实验结果证明了，latent code确实学习到了一些可解释的信息，如在MNIST中的数字，倾斜度、笔画粗细等等。

下面我们看代码，在infogan\__init__.py中第212行：

if use_infogan:    z_size = style_size + sum(categorical_cardinality) + num_continuous   # z_size=74    sample_noise = create_infogan_noise_sample(        categorical_cardinality,        num_continuous,        style_size    )                                                                     # sample_noise.shape=[64 74]

其中style_size为62，categorical_cardinality为[10]，num_continuous为2，看create_infogan_noise_sample，代表噪声信号的产生：

def create_infogan_noise_sample(categorical_cardinality, num_continuous, style_size):    def sample(batch_size):        return encode_infogan_noise(            categorical_cardinality,            create_categorical_noise(categorical_cardinality, size=batch_size),            create_continuous_noise(num_continuous, style_size, size=batch_size)        )    return sample

其中batch_size=64，看create_categorical_noise，代表categorical latent code的产生：

def create_categorical_noise(categorical_cardinality, size):    noise = []    for cardinality in categorical_cardinality:        noise.append(            np.random.randint(0, cardinality, size=size)        )    return noise

其中np.random.randint(0, cardinality, size=size)表示生成[0 cardinality)半开半闭区间内的随机整数，在这里即0~9之间的整数，代表数字的种类。

看create_continuous_noise，代表continuous latent code以及不可压缩的噪声z的产生：

def create_continuous_noise(num_continuous, style_size, size):    continuous = np.random.uniform(-1.0, 1.0, size=(size, num_continuous))    style = np.random.standard_normal(size=(size, style_size))    return np.hstack([continuous, style])

其中continuous latent code服从-1到1之间的均匀分布，style即噪声z服从标准正态分布，再将continuous latent code与style进行concat。
看encode_infogan_noise，将categorical latent code、continuous latent code及style合成：

def encode_infogan_noise(categorical_cardinality, categorical_samples, continuous_samples):    noise = []    for cardinality, sample in zip(categorical_cardinality, categorical_samples):        noise.append(make_one_hot(sample, size=cardinality))    noise.append(continuous_samples)    return np.hstack(noise)

对于categorical latent code，将categorical进行one-hot编码，即生成长度为10的0-1向量。然后再将三者concat，就生成了噪声样本。

再看__init__.py的第33行：

def generator_forward(z,                      network_description,                      is_training,                      reuse=None,                      name="generator",                      use_batch_norm=True,                      debug=False):    with tf.variable_scope(name, reuse=reuse):        return run_network(z,                           network_description,                           is_training=is_training,                           use_batch_norm=use_batch_norm,                           debug=debug,                           strip_batchnorm_from_last_layer=True)

定义了生成器，其中network_description为"fc:1024,fc:7x7x128,reshape:7:7:128,deconv:4:2:64,deconv:4:2:1:sigmoid"，输出为28*28的生成样本，即fake_image。

看第48行：

def discriminator_forward(img,                          network_description,                          is_training,                          reuse=None,                          name="discriminator",                          use_batch_norm=True,                          debug=False):    with tf.variable_scope(name, reuse=reuse):        out = run_network(img,                          network_description,                          is_training=is_training,                          use_batch_norm=use_batch_norm,                          debug=debug)        out = layers.flatten(out)        prob = layers.fully_connected(            out,            num_outputs=1,            activation_fn=tf.nn.sigmoid,            scope="prob_projection"        )    return {"prob":prob, "hidden":out}

其中network_description为"conv:4:2:64:lrelu,conv:4:2:128:lrelu,fc:1024:lrelu"，out的维度为[64 1024]，prob的维度为[64 1]表示对输入样本关于real_image的预测概率。

第291行：

# discriminator should maximize:  ll_believing_fake_images_are_fake = tf.log(1.0 - prob_fake + TINY)  ll_true_images = tf.log(prob_true + TINY)  discriminator_obj = (      tf.reduce_mean(ll_believing_fake_images_are_fake) +      tf.reduce_mean(ll_true_images)  )

定义了discriminator的目标函数，与原始GAN中的目标函数一致，其中TINY为很小的数，为了避免log里面的数等于0。

第299行：

# generator should maximize:  ll_believing_fake_images_are_real = tf.reduce_mean(tf.log(prob_fake + TINY))  generator_obj = ll_believing_fake_images_are_real

定义了generator的目标函数，与原始GAN中的目标函数一致。

看320行：

q_output = reconstruct_mutual_info(    categorical_c_vectors,    continuous_c_vector,    categorical_lambda=args.categorical_lambda,    continuous_lambda=args.continuous_lambda,    fix_std=fix_std,    hidden=discriminator_fake["hidden"],    is_training=is_training_discriminator,    name="mutual_info")

其中categorical_c_vectors对应了之前的categorical latent code，continuous_c_vector对应了continuous latent code，hidden为fake_image的discriminator输出，fix_std表示"Fix continuous var standard deviation to 1."。

再看reconstruct_mutual_info，第82行和第93行将fake_image的discriminator输出再输入到两个全连接中，最终的输出维度为[64 12]。看第101行：

ll_categorical = Nonefor true_categorical in true_categoricals:    cardinality = true_categorical.get_shape()[1].value    prob_categorical = tf.nn.softmax(out[:, offset:offset + cardinality])    ll_categorical_new = tf.reduce_sum(tf.log(prob_categorical + TINY) * true_categorical,        reduction_indices=1    )    if ll_categorical is None:        ll_categorical = ll_categorical_new    else:        ll_categorical = ll_categorical + ll_categorical_new

关于categorical latent code的目标函数为G(z,c)对应于categorical的输出的softmax与categorical latent code的交叉熵。

第114行：

mean_contig = out[:, num_categorical:num_categorical + num_continuous]if fix_std:    std_contig = tf.ones_like(mean_contig)else:    std_contig = tf.sqrt(tf.exp(out[:, num_categorical + num_continuous:num_categorical + num_continuous * 2]))epsilon = (true_continuous - mean_contig) / (std_contig + TINY)ll_continuous = tf.reduce_sum(    - 0.5 * np.log(2 * np.pi) - tf.log(std_contig + TINY) - 0.5 * tf.square(epsilon),    reduction_indices=1,)

关于continuous latent code的目标函数，将continuous latent code以均值为G(z,c)对应于continuous的输出，方差为1进行标准化，然后计算它以正态分布的概率密度作为目标函数。

mutual_info_lb = continuous_lambda * ll_continuous + categorical_lambda * ll_categorical

即为c与G(z,c)的互信息的目标函数。
再看训练，第421行：

# train discriminatornoise = sample_noise(batch_size)_, summary_result1, disc_obj, infogan_obj = sess.run(    [train_discriminator, discriminator_obj_summary, discriminator_obj, neg_mutual_info_objective],    feed_dict={        true_images:batch,        zc_vectors:noise,        is_training_discriminator:True,        is_training_generator:True    })

以及第438行：

# train generatornoise = sample_noise(batch_size)_, _, summary_result2, gen_obj, infogan_obj = sess.run(    [train_generator, train_mutual_info, generator_obj_summary, generator_obj, neg_mutual_info_objective],    feed_dict={        zc_vectors:noise,        is_training_discriminator:True,        is_training_generator:True    })

看实验结果：

修改categorical变量，可以生成不同的数字图像；修改continuous变量，可以改变生成数字的倾斜度以及笔画的宽度。