🎉 Add GAN. - Limber

ch7_生成对抗网络(GAN)/ref.bib

@@ -0,0 +1,40 @@
+@article{arjovsky2017towards,
+  title={Towards principled methods for training generative adversarial networks},
+  author={Arjovsky, Martin and Bottou, L{\'e}on},
+  journal={arXiv preprint arXiv:1701.04862},
+  year={2017}
+}
+@inproceedings{nowozin2016f,
+  title={f-gan: Training generative neural samplers using variational divergence minimization},
+  author={Nowozin, Sebastian and Cseke, Botond and Tomioka, Ryota},
+  booktitle={Advances in Neural Information Processing Systems},
+  pages={271--279},
+  year={2016}
+}
+@article{choi2017stargan,
+  title={Stargan: Unified generative adversarial networks for multi-domain image-to-image translation},
+  author={Choi, Yunjey and Choi, Minje and Kim, Munyoung and Ha, Jung-Woo and Kim, Sunghun and Choo, Jaegul},
+  journal={arXiv preprint},
+  volume={1711},
+  year={2017}
+}
+@inproceedings{yi2017dualgan,
+  title={DualGAN: Unsupervised Dual Learning for Image-to-Image Translation.},
+  author={Yi, Zili and Hao (Richard) Zhang and Tan, Ping and Gong, Minglun},
+  booktitle={ICCV},
+  pages={2868--2876},
+  year={2017}
+}
+@inproceedings{wu2018wasserstein,
+  title={Wasserstein Divergence for GANs},
+  author={Wu, Jiqing and Huang, Zhiwu and Thoma, Janine and Acharya, Dinesh and Van Gool, Luc},
+  booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
+  pages={653--668},
+  year={2018}
+}
+@article{zhu2017unpaired,
+  title={Unpaired image-to-image translation using cycle-consistent adversarial networks},
+  author={Zhu, Jun-Yan and Park, Taesung and Isola, Phillip and Efros, Alexei A},
+  journal={arXiv preprint},
+  year={2017}
+}

ch7_生成对抗网络(GAN)/第七章_生成对抗网络(GAN).md

@@ -1 +1,87 @@
-待提出
+# 第七章 生成对抗网络(GAN)
+
+## GAN生成概率的本质是什么？
+GAN的形式是：两个网络，G（Generator）和D（Discriminator）。Generator是一个生成图片的网络，它接收一个随机的噪声z，记做G(z)。Discriminator是一个判别网络，判别一张图片是不是“真实的”。它的输入是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。
+
+GAN*生成*能力是学习*分布*，引入的latent variable的noise使习得的概率分布进行偏移。因此在训练GAN的时候，latent variable**不能**引入均匀分布（uniform distribution)，因为均匀分布的数据的引入并不会改变概率分布。
+
+## VAE与GAN有什么不同？
+1. VAE可以直接用在离散型数据。
+2. VAE整个训练流程只靠一个假设的loss函数和KL Divergence逼近真实分布。GAN没有假设单个loss函数, 而是让判别器D和生成器G互相博弈，以期得到Nash Equilibrium。
+
+
+## 有哪些优秀的GAN？
+
+### DCGAN
+
+### WGAN/WGAN-GP
+
+WGAN及其延伸是被讨论的最多的部分，原文连发两文，第一篇(Towards principled methods for training generative adversarial networks)非常solid的提了一堆的数学，一作Arjovsky克朗所的数学能力果然一个打十几个。后来给了第二篇Wasserstein GAN，可以说直接给结果了，和第一篇相比，第二篇更加好接受。
+
+然而Wasserstein Divergence真正牛逼的地方在于，几乎对所有的GAN，Wasserstein Divergence可以直接秒掉KL Divergence。那么这个时候就有个问题呼之欲出了：
+
+**KL/JS Divergence为什么不好用？Wasserstein Divergence牛逼在哪里？**
+
+**KL Divergence**是两个概率分布P和Q差别的**非对称性**的度量。KL Divergence是用来度量使用基于Q的编码来编码来自P的样本平均所需的额外的位元数。 而**JS Divergence**是KL Divergence的升级版，解决的是**对称性**的问题。即：JS Divergence是对称的。
+
+KL Divergence:
+$$D_{KL}(P||Q)=-\sum_{x\in X}P(x) log\frac{1}{P(x)}+\sum_{x\in X}p(x)log\frac{1}{Q(x)}=\sum_{x\in X}p(x)log\frac{P(x)}{Q(x)}$$
+
+JS Divergence:
+
+$$JS(P_1||P_2)=\frac{1}{2}KL(P_1||\frac{P_1+P_2}{2})$$
+
+**Wasserstein Divergence**：如果两个分配P,Q离得很远，完全没有重叠的时候，KL Divergence毫无意义，而此时JS Divergence值是一个常数。这使得在这个时候，梯度直接消失了。
+
+**WGAN从结果上看，对GAN的改进有哪些？**
+
+1. 判别器最后一层去掉sigmoid
+2. 生成器和判别器的loss不取log
+3. 对更新后的权重强制截断到一定范围内，比如[-0.01，0.01]，以满足lipschitz连续性条件。
+4. 论文中也推荐使用SGD，RMSprop等优化器，不要基于使用动量的优化算法，比如adam。
+
+然而，就实际而言，最优的选择其实应该是
+
+**如何理解Wass距离？**
+
+### condition GAN
+
+### InfoGAN
+通过最大化互信息（c，c’）来生成同类别的样本。
+
+$$L^{infoGAN}_{D,Q}=L^{GAN}_D-\lambda L_1(c,c')$$
+$$L^{infoGAN}_{G}=L^{GAN}_G-\lambda L_1(c,c')$$
+
+### CycleGAN
+
+**CycleGAN与DualGAN之间的区别**
+
+### StarGAN
+目前Image-to-Image Translation做的最好的GAN。
+## GAN训练有什么难点？
+由于GAN的收敛要求**两个网络（D&G）同时达到一个均衡**，
+
+## GAN与强化学习中的AC网络有何区别？
+强化学习中的AC网络也是Dual Network，似乎从某个角度上理解可以为一个GAN。但是GAN本身
+## GAN的可创新的点
+GAN是一种半监督学习模型，对训练集不需要太多有标签的数据。
+
+## 如何训练GAN？
+判别器D在GAN训练中是比生成器G更强的网络
+
+Instance Norm比Batch Norm的效果要更好。
+
+## GAN如何解决NLP问题
+
+GAN只适用于连续型数据的生成，对于离散型数据效果不佳，因此假如NLP方法直接应用的是character-wise的方案，Gradient based的GAN是无法将梯度Back propagation（BP）给生成网络的，因此从训练结果上看，GAN中G的表现长期被D压着打。
+## Reference
+### DCGAN部分：
+
+### WGAN部分：
+* Arjovsky, M., & Bottou, L. (2017). Towards principled methods for training generative adversarial networks. arXiv preprint arXiv:1701.04862.
+* Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein gan. arXiv preprint arXiv:1701.07875.
+* Nowozin, S., Cseke, B., & Tomioka, R. (2016). f-gan: Training generative neural samplers using variational divergence minimization. In Advances in Neural Information Processing Systems (pp. 271-279).
+* Wu, J., Huang, Z., Thoma, J., Acharya, D., & Van Gool, L. (2018, September). Wasserstein Divergence for GANs. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 653-668).
+
+### CycleGAN
+Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. arXiv preprint.