时间戳

首页 > 解决方案 > 大型 WGAN-GP 训练损失

python - 大型 WGAN-GP 训练损失

问题描述

这是 WGAN-GP 的损失函数

gen_sample = model.generator(input_gen)
disc_real = model.discriminator(real_image, reuse=False)
disc_fake = model.discriminator(gen_sample, reuse=True)
disc_concat = tf.concat([disc_real, disc_fake], axis=0)
# Gradient penalty
alpha = tf.random_uniform(
    shape=[BATCH_SIZE, 1, 1, 1],
    minval=0.,
    maxval=1.)
differences = gen_sample - real_image
interpolates = real_image + (alpha * differences)
gradients = tf.gradients(model.discriminator(interpolates, reuse=True), [interpolates])[0]    # why [0]
slopes = tf.sqrt(tf.reduce_sum(tf.square(gradients), reduction_indices=[1]))
gradient_penalty = tf.reduce_mean((slopes-1.)**2)

d_loss_real = tf.reduce_mean(disc_real)
d_loss_fake = tf.reduce_mean(disc_fake)

disc_loss = -(d_loss_real - d_loss_fake) + LAMBDA * gradient_penalty
gen_loss = - d_loss_fake

这是训练损失

发电机损失在振荡，价值如此之大。我的问题是：发电机损耗是正常还是异常？

标签： pythontensorflowdeep-learning

解决方案

需要注意的一件事是您的梯度惩罚计算是错误的。以下行：

slopes = tf.sqrt(tf.reduce_sum(tf.square(gradients), reduction_indices=[1]))

实际上应该是：

slopes = tf.sqrt(tf.reduce_sum(tf.square(gradients), reduction_indices=[1,2,3]))

您在第一个轴上减少，但渐变基于 alpha 值所示的图像，因此您必须在轴上减少[1,2,3]。

您的代码中的另一个错误是生成器损失是：

gen_loss = d_loss_real - d_loss_fake

对于梯度计算，这没有区别，因为生成器的参数仅包含在 d_loss_fake 中。然而，对于发电机损失的价值，这使得世界上的一切都变得不同，这也是为什么会如此频繁的原因。

归根结底，您应该查看您关心的实际性能指标，以确定 GAN 的质量，例如初始分数或 Fréchet 初始距离 (FID)，因为判别器和生成器的损失只是描述性的。

推荐阅读