" 生成模型（Generative modeling）"已成为机器学习的一个较为广泛的领域。在图像这种流行数据上，每张图像都有数千数万的维度（像素点）， 生成模型的工作就是通过某种方式来捕获像素之间的依赖，而具体捕获哪些依赖关系，就取决于我们想用模型来做些什么。

通常来讲，看起来像真实图像的数据点会以更高的概率被采纳，而看起来像随机噪声图像的数据点会以较低的概率被采纳。有时候这样的模型不一定有用，因为知道了一张图像后就不太可能合成不一样的图像。我们实际上更加需要的是和已经存在的图像类似，但又不完全相同的图像，拿来扩充数据，这样的图像原本是不存在的。

GAN和VAE都是效果比较好的生成模型，但是VAE希望通过一种显式的方法找到一个概率密度，并通过最小化对数似函数的下限来得到最优解；GAN则是使用对抗的方式来寻找一种平衡，不需要给定显式的概率密度函数。

AutoEncoder

VAE（变分自编码器）是基于AE（自编码器）提出的，所以要先了解AE。Encoder将输入X映射到一个隐状态Z，Decoder将Z再映射回X’，AE的训练目标就是使得输入X和输出X’尽可能相似，同时AE是完全确定的，AE的输入直接决定了生成结果。在AE中，因为Encoder将输入X映射为更低维度的表征，这些表征通常被认为是低噪声且富有信息的，所以Z可以被称为特征向量。

VAE

在VAE中，我们为了生成新的样本，需要建模数据的真实分布$p(x)$。VAE避开了直接建模$p(x)$这个难题，它实际构建了一种从一个给定隐变量的先验分布$p(z)$到真实数据的分布$p(x)$的转换。

为此，我们首先可以用Decoder建模$p(x|z)$。那么当模型训练完毕后，通过在$p(z)$上采样再将结果输入Decoder，就能生成新样本了。具体来说，VAE建模的$p(x)$公式如下：$$p(x)=\int p(z)p(x|z)dz$$通过建模对数据的真实分布$p(x)$进行近似。所以VAE最终生成的样本并不会和原始样本一模一样，只会是相似但不相同。

在VAE中，Decoder可以看作生成模型，它可以将低维空间的表示恢复为高维空间表示。Encoder的作用是抓住一些关键的特征和变量之间的依赖，使得采样的特征向量z有意义。

AE更多使用的是它的Encoder，用于做分类任务，VAE更多使用的是它的Decoder，用于做生成任务。

GAN

生成对抗网络包含两个模型，一个模型G（生成器）用来学习真实样本的数据分布，产生和其类似的样本。另一个模型D(判别器)用来判断样本是否为真实样本。交替训练D和G，最终的理想结果是G完全学到了真实样本的分布，D已经无法判断样本是否为真实样本，G产生的样本在D的概率为0.5。整体的优化可以表示为：$$\underset{G}{\min }\underset{D}{\max }V(D,G)={\mathbb{E}}_{x\sim p_{data}(x)}[\log D(x)]+{\mathbb{E}}_{z\sim p_z(z)}[\log (1-D(G(z)))]$$
训练过程中，对于生成器来说，就是要使得$D(G(z))$尽可能大（伪造的样本像真的），即最小化$log(1-D(G(z)))$。对于判别器，就是对于输入的真实样本，使得判别概率尽可能大，对于假样本，概率尽可能小，即判别能力强。

VAE-GAN

了解了VAE和GAN之后，会很自然想到将它们进行结合，于是VAE-GAN就出现了。把VAE作为GAN的生成器，这样的网络既具有VAE的可控制图片生成的特性，又能够拥有GAN优良生成图片的性能。

这个网络前半部分就是一个完整的VAE，后面是一个GAN，其中VAE和GAN共享一个Decoder。

DCGAN

与最原始的GAN相比，DCGAN的改进地方在于将生成器的网络用卷积网络替换掉，这样生成图片的清晰度会提高。在下图中，100维的随机噪声通过4次fractional-strided卷积后生成64×64的图像，即生成器的最终输出。

上图为DCGAN所生成的cifar10的样本。

InfoGAN

原始的GAN和DCGAN都属于无监督方法，该方法不使用任何的标签信息，换种说法就是我们无法人为控制生成图片的种类。因此，无监督方法需要对隐空间进行解耦得到有意义的特征表示。

InfoGAN 对把输入噪声分解为隐变量$z$和条件变量$c$（训练时，条件变量$c$从均匀分布采样而来），二者被一起送入生成器。在训练过程中通过最大化$c$和$G(z,c)$的互信息$I(c;G(z,c))$以实现变量解耦（$I(c;G(z,c))$的互信息表示$c$里面关于$G(z,c)$的信息有多少，如果最大化互信息$I(c;G(z,c))$，也就是最大化生成结果和条件变量$c$的关联性）。

上图中中 G-D 的组合即原始的 GAN，而G-Q的组合可以看做一个“自动编码机”，而 G-Q 不同于“自动编码机”的地方在于，后者的信息流是：复杂-简单-复杂，前者的信息流是：简单（输入的随机数）- 复杂（手写数字图片）-简单（手写数字图片所代表的数字）。

另外，换一个视角，从把GAN 的 D 当做一个复杂的损失函数来看，infoGAN 的 D+Q 则是一个更复杂的损失函数，在分别真假的基础上、增加了识别数据特征的能力。

具体的 Pytorch 实现上，D 和 Q 共享部分参数，D 使用二值交叉熵指导其辨别真假，G 使用softmax 指导其识别图片所代表的数字，使用 log_gaussian 函数指导其辨别连续的特征如笔画粗细和倾斜角度。

ss-InfoGAN

为了解决无法控制c的问题，ss-InfoGAN出现了，该方法采用半监督的学习方法，输入少量带标签的真实样本，让判别器能够学习到真实样本的一些标签信息，使得生成出来的样本也能对应标签。

论文摘要：在本文中，我们提出了一个新的半监督GAN体系结构（SS-INFOGAN），用于图像合成，该图像合成，该构成从少数标签中利用信息（少于0.22％，最多的数据集的10％）来学习语义上有意义且可控制的数据表示形式。潜在变量对应于标签类别。与完全无监督的设置相比，该体系结构建立在最大化生成对抗网络（INFOGAN）（INFOGAN）的信息基础上，并显示出可以学习连续和分类代码，并获得了更高的合成样本质量。此外，我们表明使用少量标记的数据加速训练收敛。该体系结构保持了无可用标签的潜在变量的能力。最后，我们贡献了一个信息理论推理，介绍了如何引入半统治会增加合成数据和真实数据之间的共同信息。

论文链接

1. Autoencoding beyond pixels using a learned similarity metric
2. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
3. InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets
4. Guiding InfoGAN with Semi-Supervision