最近学习了生成对抗网络（GAN），基于几个经典GAN网络结构做了些小实验，包括dcgan，wgan，wgan-gp。坦率的说，wgan，wgan-gp论文的原理还是有点小复杂，我也没有完全看明白，因此在此就不详细介绍了，如果感兴趣可以阅读参考部分的论文，本篇博客主要着重于记录如何利用tensorflow实现这几种网络的训练、预测。下面先简单介绍下GAN的原理和个人理解，以及dcgan，wgan，wgan-gp的改进，最后给出代码。
1.GAN原理和个人理解
Generative Adversarial Nets（GAN），生成对抗网络，是2014年由Goodfellow等人提出的一个深度学习框架，这个框架的目的是生成和真实图片概率分布一致的输出，也就是所谓的生成模型。该框架包含两部分：生成网络（Generator,简称G）、判别网络（Discriminator，简称D）。假设G的输入是z，输出是x’，真实数据是x，则G要尽量将输入映射到输出数据的分布上，即利用z尽量生成和x接近的x’。而D要尽量将x’和x区分开。具体公式如下：
上面公式中，G(z)是G的输出即x’。D要最大化这个公式，其实就是区分生成数据和真实数据之间的真假，是个二分类问题，也就是尽量将x分为1类、x’分为0类。另一方面，G又想尽量生成和真实数据近似的x’，这个就体现在欺骗D上，如果D无法分辨x’和x，就说明D成功生成了符合x分布的x’，因此G的目的是要让x'都被D分为1类（而不是0类）。又因第一部分logD(x)和G没关系，所以G的目标是最小化下面这个式子，
根据论文的说法，上面这个式子容易saturates，导致G训练出现困难，所以转化成最大化log(D(G(z)))。因为一般做优化都是求目标函数的最小值（当然tf也支持最大值），因此实际编程中是这么写的：
1. min[-log(D(x))-log(1-D(G(z)))]
2. min[-log(1-D(G(z)))]
实际上就是加了个负号。另外，在做前向后向的时候，一般是分别对D、G进行更新，也就是说在后向误差传播更新梯度的时候，会先固定G的参数（权重、偏置等），然后前向计算式1并做后向误差传播，更新G的参数。接着再固定G的参数，前向计算式2并做后向误差传播，更新D的参数。
最后再说下输入z，在没有label的经典gan中，z是一个符合正态分布的随机高维向量，至于在其他经典gan的变体中，z可以是正态分布的随机高维向量加上label，或者是纯label。
2.dcgan、wgan、wgan-gp
Dcgan于2015年提出，相比于最早的GAN相比，主要做了网络结构方面的改进，例如：引入bm层，去掉pooling以strided conv层代之，去掉fc层，引入relu和leakyRelu等等。这些改进效果带来了更好的生成图片效果，不过和早期GAN相比，依然很难训练，所以这个阶段也引入了训练时的一些小窍门，比如每个stepG迭代两次，D迭代一次。在一开始的时候D不能训练的太好，防止G难以收敛等等。
wgan在2017年横空出世，通过理论分析，wgan指出了传统gan的为什么训练时难以收敛，并进行了改进，使其训练难度大幅降低、收敛速度加快。主要有两点改进：一是把目标函数中的log去掉，二是每次迭代更新权重后做weight clipping，把权重限制到一个范围内（例如限定范围[-0.1,+0.1]，则超出这个范围的权重都会被修剪到-0.1或+0.1）。
同年，wgan-gp又基于wgan提出了改进方案，因为wgan虽然降低了gan的训练难度，但在一些设定下仍然难以收敛，并且生成图片效果相比dcgan还要差，wgan-gp将weight clipping改为penalize the norm of the gradient of the critic with respect to its input（根据D的输入后向计算出权重梯度，并针对梯度的范数进行惩罚），解决了上述问题。
3.基于tf的代码实现
https://github.com/handspeaker/gan_practice
每种结构的代码都比较简洁，属于实验性质，没有加太多东西，看起来比一些github上很大的工程容易懂些。
4.参考
Generative Adversarial Nets
Wasserstein GAN
Improved Training of Wasserstein GANs
https://github.com/shekkizh/WassersteinGAN.tensorflow
https://github.com/igul222/improved_wgan_training