tfgan折腾笔记（一）：核心功能简要概述

tfgan是什么？

tfgan是tensorflow团队开发出的一个专门用于训练各种GAN的轻量级库，它是基于tensorflow开发的，所以兼容于tensorflow。在tensorflow1.x版本中，tfgan存在于tensorflow.contrib中，作为一个小模块供使用者调用。在更新到tensorflow2.0版本后，tfgan成为一个独立的库。可使用:

pip install tensorflow-gan

进行下载安装，并在python中使用以下语句导入这个包：

import tensorflow_gan as tfgan

可以使用tfgan对目前流行的GAN模型进行训练。并且，tfgan维护团队也会不断更新tfgan，使得其可以对论文中最新提出的GAN模型进行训练。

tfgan项目托管在github中，点击这里可以查看tfgan在github中托管的源代码及其官方教程与示例。

tfgan核心功能

tfgan的中函数的功能主要集中在基于tensorflow的LOSS函数、优化器、训练迭代的封装，以及对GAN模型的评估。其它的如数据集的输入、生成器和判别器模型的结构以及推断过程则需要通过调用tensorflow函数自己编写。即使这样，tfgan也极大的简化了GAN的训练与实现。接下来就针对tfgan中的几个核心功能对应的函数进行一个预览，以便对tfgan有一个初步印象。具体的用法将在后续文章中详细说明。注意：以下的代码中的函数均为调用，而不是函数原型。

tfgan核心函数示例

·初始化模型

以Original-GAN为例进行说明，其它的例如C-GAN, info-GAN, Cycle-GAN等的情况与此处略有不同，在后续文章中会有具体说明。

gan_model = tfgan.gan_model(
    generator_fn=generator,
    discriminator_fn=discriminator,
    real_data=images,
    generator_inputs=tf.random.normal(
        [batch_size, noise_dims]
    )
)

在tfgan中，调用gan_model函数以创建Original-GAN网络模型，其主要参数包含4个，以下详细说明：

generator_fn：需要先自定义一个生成器函数，函数中定义判别器网络模型，并将函数名称作为参数传入。定义的生成器函数的接口应当符合如下格式：

def generator(noise, weight_decay=2.5e-5, is_training=True):
    '''GAN Generator.

    Args:
        noise: A 2D Tensor of shape [batch size, noise dim].
        weight_decay: The value of the l2 weight decay.
        is_training: If `True`, batch norm uses batch statistics. If `False`, batch
            norm uses the exponential moving average collected from population
            statistics.

    Returns:
        A generated image.
    '''

discriminator_fn：同样，需要首先自定义一个判别器函数，函数中定义判别器网络模型。并将函数名称作为参数传入。定义的判别器函数的接口应当符合如下格式：

def discriminator(img, unused_conditioning, weight_decay=2.5e-5):
    '''GAN discriminator.

    Args:
        img: Real or generated MNIST digits. Should be in the range [-1, 1].
        unuseed_conditioning: The TFGAN API can help with conditional GANs, which
            would require extra `condition` information to both the generator and the
            discriminator. Since this example is not conditional, we do not use this
            argument.
        weight_decay: The L2 weight decay.

    Returns:
        Logits for the probability that the image is real.
    '''

real_data：真实图像。一个batch的Tensor格式。

generator_inputs：输入GAN的随机噪声，一般通过tf.random.normal()函数获得。

·指定损失函数

使用gan_loss函数指定训练GAN时所需要的损失函数，若调用形式如下所示，使用默认的损失函数：

gan_loss = tfgan.gan_loss(gan_model, add_summaries=True)

gan_model：上一步初始化模型时的返回值。

add_summaries：是否添加损失的总结。tfgan在训练时，会自动生成tensorboard的日志信息（日志的位置将在最后一步“gan_train”函数中指定，tensorboard是一个适配于tensorflow的训练过程可视化工具），若为True，将添加loss的信息到日志中。

或者使用tfgan中内置的其它loss函数，下面的函数调用时就使用了带权重惩罚的W距离。或者可以自己自定义loss函数，此处不再详述。

gan_loss = tfgan.gan_loss(
    gan_model,
    generator_loss_fn=tfgan.losses.modified_generator_loss,
    discriminator_loss_fn=tfgan.losses.modified_discriminator_loss,
    mutual_information_penalty_weight=1.0,
    add_summaries=True
）

·指定优化器

train_ops = tfgan.gan_train_ops(
    gan_model,
    gan_loss,
    generator_optimizer=tf.compat.v1.train.AdamOptimizer(3e-3, 0.5),
    discriminator_optimizer=tf.compat.v1.train.AdamOptimizer(3e-4, 0.5),
    summarize_gradients=True
)

优化器一般需要传递4个参数：

gan_model：第一步调用tfgan.gan_model的返回值

gan_loss：第二步调用tfgan.gan_loss的返回值

generator_optimizer：指定生成器的优化器

discriminator_optimizer：指定判别器的优化器

summarize_gradients：添加梯度的总结

·开始训练

tfgan.gan_train(
    train_ops,
    hooks=[
        tf.estimator.StopAtStepHook(num_steps=max_number_of_steps),
        tf.estimator.LoggingTensorHook([status_message], every_n_iter=20)
    ],
    logdir=train_log_dir,
    get_hooks_fn=tfgan.get_joint_train_hooks(),
    save_checkpoint_secs=60
)

参数解释：

train_ops：上一步函数的返回值

hooks：tf.train.SessionRunHook类型的回调函数，用列表形式封装。此处的函数将在每次训练迭代时调用

logdir：tfgan自动将建立好的网络模型以及训练过程的参数变化存储下来，此参数即为存储的位置

get_hooks_fn：G和D的训练方式，get_joint_train_hooks()意为进行一次G+D的参数更新，然后再单独进行一次D的参数更新。以此为一个迭代周期。

save_checkpoint_secs：训练过程中参数存储周期，此处设置为60s存储一次网络参数。

调用gan_train函数后，训练开始进行。

使用tfgan进行GAN网络训练步骤：

1.定义Generator与Discriminator网络模型；

2.加载训练集数据为batch形式；

3.调用gan_model函数以初始化网络模型；

4.调用gan_loss函数以指定损失函数；

5.调用gan_train_ops函数以指定优化器；

6.调用gan_train函数开始训练；

7.训练完毕后，tfgan自动将网络模型及参数以及训练过程的总结（summarise）存储在硬盘中。

使用tfgan进行推断的步骤：

1.从tfgan保存的日志中加载网络模型及参数；

2.加载测试数据；

3.将数据传入（feed）网络，得到结果。