TensorFlow-GAN (TF-GAN)

TF-GAN 是一个轻量级库，用于训练和评估生成对抗网络（GANs）。

• 可以通过 pip install tensorflow-gan 使用 pip 安装，并通过 import tensorflow_gan as tfgan 使用
• 提供经过充分测试的示例
• 在 Colab 中提供 TF-GAN 的交互式介绍

TF-GAN 库的结构

TF-GAN 由几个独立存在的部分组成：

• 核心：训练 GAN 所需的主要基础设施。可以使用任意组合的 TF-GAN 库调用、自定义代码、原生 TF 代码和其他框架来设置训练
• 特征：常见的 GAN 操作和规范化技术，如实例规范化和条件设置
• 损失：损失和惩罚，如 Wasserstein 损失、梯度惩罚、互信息惩罚等
• 评估：标准 GAN 评估指标。使用 Inception Score、Frechet Distance 或 Kernel Distance 与预训练的 Inception 网络来评估无条件生成模型。也可以使用自己预训练的分类器获得更具体的性能数据，或使用其他方法评估条件生成模型
• 示例：如何使用 TF-GAN 的简单示例，以及更复杂的最先进示例

谁在使用 TF-GAN？

Google 内部的众多项目。以下是一些使用 TF-GAN 的已发表论文：

• 自注意力生成对抗网络
• 大规模 GAN 训练用于高保真自然图像合成
• GANSynth：对抗性神经音频合成
• Boundless：用于图像扩展的生成对抗网络
• NetGAN：通过随机游走生成图
• 判别器拒绝采样
• 用于私有、去中心化数据集的有效机器学习的生成模型
• 用于图像生成的语义金字塔
• GAN 介导的细胞图像批量均衡

Compare GAN 框架使用 TF-GAN，特别是评估指标。他们的论文使用 TF-GAN 确保一致且可比较的评估指标。其中一些论文包括：

• GANs 是平等创造的吗？大规模研究
• GAN 全景：损失、架构、正则化和规范化
• 通过精确度和召回率评估生成模型
• 使用更少标签的高保真图像生成

训练 GAN 模型

TF-GAN 中的训练通常包括以下步骤：

1. 指定网络的输入
2. 使用 GANModel 设置生成器和判别器
3. 使用 GANLoss 指定损失
4. 使用 GANTrainOps 创建训练操作
5. 运行训练操作

在每个阶段，您可以使用 TF-GAN 的便利函数，也可以手动执行该步骤以进行精细控制。

有各种类型的 GAN 设置。例如，您可以训练生成器无条件地从学习到的分布中采样，或者您可以基于额外信息（如类别标签）进行条件设置。TF-GAN 兼容多种设置，我们在经过充分测试的示例目录中进行了演示。

维护者

• （文档）David Westbrook，westbrook@google.com
• Joel Shor，joelshor@google.com，github
• Aaron Sarna，sarna@google.com，github
• Yoel Drori，dyoel@google.com，github

作者

• Joel Shor，joelshor@google.com，github