下一個(gè)GAN？OpenAI提出可逆生成模型Glow

目前，生成對(duì)抗網(wǎng)絡(luò) GAN 被認(rèn)為是在圖像生成等任務(wù)上最為有效的方法，越來越多的學(xué)者正朝著這一方向努力：在計(jì)算機(jī)視覺頂會(huì) CVPR 2018 上甚至有 8% 的論文標(biāo)題中包含 GAN。近日來自 OpenAI 的研究科學(xué)家 Diederik Kingma 與 Prafulla Dhariwal 卻另辟蹊徑，提出了基于流的生成模型 Glow。據(jù)介紹，該模型不同于 GAN 與 VAE，而在生成圖像任務(wù)上也達(dá)到了令人驚艷的效果。

該研究一經(jīng)發(fā)表，立刻引起了機(jī)器學(xué)習(xí)社區(qū)的注意，有人對(duì)此表示：終于，我們有了 GAN 以外的優(yōu)秀生成模型！

本文將介紹 OpenAI 創(chuàng)造的 Glow，一種使用可逆 1×1 卷積的可逆生成模型。它在之前可逆生成模型研究的基礎(chǔ)上（論文：NICE: Non-linear Independent Components Estimation、Density estimation using Real NVP）進(jìn)一步擴(kuò)展，并簡化了架構(gòu)。OpenAI 提出的模型可以生成逼真的高分辨率圖像，支持高效率采樣，并能發(fā)現(xiàn)用于操作數(shù)據(jù)屬性的特征。目前，OpenAI 已經(jīng)發(fā)布了該模型的代碼，并開放了在線可視化工具，供人們?cè)囉谩?

論文：Glow: Generative Flow with Invertible 1×1 Convolutions

• 論文鏈接：https://d4mucfpksywv.cloudfront.net/research-covers/glow/paper/glow.pdf
• 項(xiàng)目代碼（TensorFlow）：https://github.com/openai/glow

Note：OpenAI 的 Glow 和 PyTorch 內(nèi)置的機(jī)器學(xué)習(xí)編譯器重名了。

摘要：由于可以追蹤確切的對(duì)數(shù)似然度、潛在變量推斷，以及訓(xùn)練與合成的可并行性，基于流的生成模型（Dinh et al., 2014）在概念上就很吸引人。在這篇論文中我們提出了 Glow，這是一種簡單的使用可逆 1x1 卷積的生成流。使用該方法，我們展示了在標(biāo)準(zhǔn)基準(zhǔn)上的對(duì)數(shù)似然度的顯著提升。也許最引人注目的是，我們展示了僅通過普通的對(duì)數(shù)似然度目標(biāo)優(yōu)化，生成模型就可以高效地進(jìn)行逼真圖像的合成以及大尺寸圖像的操作。

Glow 模型控制人臉圖像屬性以及和其它人臉圖像融合的交互式 demo（讀者可在原網(wǎng)頁進(jìn)行交互操作，還可以上傳自己的圖片）。

研究動(dòng)機(jī)

研究員 Prafulla Dhariwal 和 Durk Kingma 的圖像屬性操作。訓(xùn)練過程中沒有給模型提供屬性標(biāo)簽，但它學(xué)習(xí)了一個(gè)潛在空間，其中的特定方向?qū)?yīng)于胡須密度、年齡、頭發(fā)顏色等屬性的變化。

生成建模就是觀察數(shù)據(jù)（比如一組人臉圖片），然后學(xué)習(xí)可生成數(shù)據(jù)的模型。學(xué)習(xí)近似數(shù)據(jù)生成過程需要學(xué)習(xí)數(shù)據(jù)中存在的所有結(jié)構(gòu)，而且成功的模型應(yīng)該能夠合成與數(shù)據(jù)相似的輸出。精確生成模型應(yīng)用廣泛，包括語音合成、文本分析與合成、半監(jiān)督學(xué)習(xí)和基于模型的控制。研究者提出的技術(shù)也能應(yīng)用于上述任務(wù)。

Glow 是一種可逆生成模型，也稱為基于流的生成模型，是 NICE 和 RealNVP 技術(shù)的擴(kuò)展。相比 GAN 和 VAE，基于流的生成模型迄今為止在研究界受到的關(guān)注寥寥無幾。

基于流的生成模型具有以下優(yōu)點(diǎn)：

• 準(zhǔn)確的潛在變量推理和對(duì)數(shù)似然估計(jì)。在 VAE 中，只能推理出對(duì)應(yīng)于數(shù)據(jù)點(diǎn)的潛在變量的近似值。GAN 根本沒有編碼器來推理潛在變量。而在可逆生成變量中，可以在沒有近似的情況下實(shí)現(xiàn)精準(zhǔn)推理。不僅實(shí)現(xiàn)了精準(zhǔn)推理，還得以優(yōu)化數(shù)據(jù)的準(zhǔn)確對(duì)數(shù)似然度（而不是下界）。
• 高效的推理與合成。自回歸模型，如 PixelCNN，也是可逆的，然而從這樣的模型合成難以實(shí)現(xiàn)并行化，并且通常在并行硬件上效率低下?；诹鞯纳赡Ｐ腿?Glow 和 RealNVP 都能有效實(shí)現(xiàn)推理與合成的并行化。
• 對(duì)下游任務(wù)有用的潛在空間。自回歸模型的隱藏層有未知的邊際分布，使其更難執(zhí)行有效的數(shù)據(jù)操作。在 GAN 中，數(shù)據(jù)點(diǎn)通常不是在潛在空間中直接被表征的，因?yàn)樗鼈儧]有編碼器，并且可能無法表征完整的數(shù)據(jù)分布。而在可逆生成模型和 VAE 中不會(huì)如此，它們?cè)试S多種應(yīng)用，例如數(shù)據(jù)點(diǎn)之間的插值，和已有數(shù)據(jù)點(diǎn)的有目的修改。
• 內(nèi)存存儲(chǔ)的巨大潛力。在可逆神經(jīng)網(wǎng)絡(luò)中計(jì)算梯度需要恒定而不是和深度呈線性關(guān)系的內(nèi)存，如 RevNet 論文中所述。

結(jié)果

使用該技術(shù)，OpenAI 在標(biāo)準(zhǔn)基準(zhǔn)數(shù)據(jù)集上獲得了優(yōu)于 RealNVP 的顯著改進(jìn)，后者是之前基于流的生成模型的最好結(jié)果。

在不同數(shù)據(jù)集的測(cè)試集上對(duì) RealNVP 模型和 Glow 模型的量化性能評(píng)估（bits per dimension）對(duì)比結(jié)果。

Glow 模型在包含三萬張高分辨率人臉圖像的數(shù)據(jù)集上進(jìn)行訓(xùn)練后生成的結(jié)果示例。

Glow 模型可以生成逼真的高分辨率圖像，而且非常高效。該模型使用一塊 NVIDIA 1080 Ti GPU，只需大約 130ms 即可生成一張 256 x 256 的圖像，研究人員發(fā)現(xiàn)從溫度降低的模型中采樣通常會(huì)帶來高質(zhì)量的樣本。上圖中的圖像示例就是通過將潛在空間標(biāo)準(zhǔn)差的溫度縮放 0.7 而得到的。

潛在空間中的插值

研究人員還可以在任意人臉圖像之間插值，方法是使用編碼器對(duì)兩張圖像進(jìn)行編碼，然后從中間點(diǎn)進(jìn)行采樣。注意：輸入是任意人臉圖像，而不是從模型中采集的樣本，因此這可以證明該模型支持完整的目標(biāo)分布。

在 Prafulla 的人臉圖像和名人面部圖像之間進(jìn)行插值。

潛在空間中的操作

研究人員可以在無需標(biāo)簽的情況下訓(xùn)練一個(gè)基于流的模型，然后使用學(xué)到的潛在表征進(jìn)行下游任務(wù)，如處理輸入的屬性。這些語義屬性可以是頭發(fā)的顏色、圖像的風(fēng)格、樂聲的音高，或者文本句子的情緒。由于基于流的模型具備一個(gè)完美的編碼器，因此你可以編碼輸入，并計(jì)算輸入在具備和不具備某屬性時(shí)的平均本征向量（latent vector）。然后利用兩個(gè)本征向量之間的向量方向來處理任意輸入。

上述過程需要相對(duì)較小規(guī)模的標(biāo)注數(shù)據(jù)，可以在模型訓(xùn)練好之后進(jìn)行（訓(xùn)練過程不需要標(biāo)簽）。之前利用 GAN 的研究（https://arxiv.org/abs/1606.03657）需要分別訓(xùn)練編碼器。使用 VAE 的研究（https://arxiv.org/abs/1804.03599）只能保證解碼器和編碼器可以兼容分布內(nèi)數(shù)據(jù)。其他方法包括直接學(xué)習(xí)表示變換的函數(shù)，如 Cycle-GAN，但是它們需要對(duì)每一次變換進(jìn)行重新訓(xùn)練。

使用基于流的模型處理屬性的簡單代碼片段：

# Train flow model on large, unlabelled dataset X

m = train(X_unlabelled)

# Split labelled dataset based on attribute, say blonde hair

X_positive, X_negative = split(X_labelled)

# Obtain average encodings of positive and negative inputs

z_positive = average([m.encode(x)forxinX_positive])

z_negative = average([m.encode(x)forxinX_negative])

# Get manipulation vector by taking difference

z_manipulate = z_positive - z_negative

# Manipulate new x_input along z_manipulate, by a scalar alpha in [-1,1]

z_input = m.encode(x_input)

x_manipulated = m.decode(z_input + alpha * z_manipulate)

該研究的主要貢獻(xiàn)（不同于早期 RealNVP 研究）是添加了可逆 1x1 卷積，以及刪除其他組件，從而整體簡化架構(gòu)。

RealNVP 架構(gòu)包含兩種層的序列：含有棋盤掩碼（checkerboard masking）的層和含有通道掩碼（channel-wise masking）的層。研究人員移除了含有棋盤掩碼的層以簡化架構(gòu)。含有通道掩碼的層執(zhí)行并重復(fù)以下步驟：

1. 通過在通道維度上反轉(zhuǎn)輸入的順序來置換輸入。

2. 從特征維的中間向下將輸入分成兩部分：A 和 B。

3. 將 A 輸入淺層卷積神經(jīng)網(wǎng)絡(luò)。根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出對(duì) B 進(jìn)行線性變換。

4. 連接 A 和 B。

將這些層連在一起之后，A 更新 B，B 更新 A，然后 A 再更新 B……這種信息的二分流動(dòng)（bipartite flow）顯然是相當(dāng)僵硬的。研究人員發(fā)現(xiàn)，通過將步驟（1）的反向排列改變?yōu)椋ü潭ǎ﹕huffling 排列，模型性能可以得到改善。

更進(jìn)一步，模型還可以學(xué)習(xí)最優(yōu)排列。學(xué)習(xí)置換矩陣（permutation matrix）是一種離散優(yōu)化，不適合梯度上升。但由于置換操作只是具有平方矩陣的線性變換的特例，因此可以用卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，置換通道相當(dāng)于通道數(shù)相等的輸入和輸出的 1x1 卷積運(yùn)算。因此，研究人員用學(xué)習(xí)的 1x1 卷積運(yùn)算替換固定排列。1x1 卷積的權(quán)重被初始化為一個(gè)隨機(jī)的旋轉(zhuǎn)矩陣。如下圖所示，這一運(yùn)算帶來了模型性能的大幅提升。研究人員還指出，通過對(duì)權(quán)重進(jìn)行 LU 分解，可以高效地完成優(yōu)化目標(biāo)函數(shù)所涉及的計(jì)算。

主要貢獻(xiàn)——可逆 1x1 卷積，極大地改進(jìn)了模型。

此外，研究人員刪除了批歸一化，用一個(gè)激活歸一化層作為替代。這個(gè)層簡單地移動(dòng)和擴(kuò)大了激活函數(shù)，給定數(shù)據(jù)的初始 minibatch，該層具備依靠數(shù)據(jù)的初始化技術(shù)可對(duì)激活函數(shù)進(jìn)行歸一化操作。這能把 minibatch 大小縮減到 1（對(duì)于較大的圖像），把模型大小擴(kuò)大。

規(guī)模

本文提出的架構(gòu)結(jié)合了各種優(yōu)化方法，例如梯度檢查點(diǎn)，因此能夠訓(xùn)練規(guī)模更大的基于流的生成模型。此外，研究人員使用 Horovod 在機(jī)器集群上訓(xùn)練模型。上面 demo 中使用的模型是在有 8 塊 GPU 的 5 臺(tái)機(jī)器上訓(xùn)練的。使用這個(gè)設(shè)置，可以訓(xùn)練具有 1 億多個(gè)參數(shù)的模型。

研究方向

本研究表明，訓(xùn)練基于流的模型來生成真實(shí)的高分辨率圖像并非不可能，而且還能學(xué)習(xí)隱藏表征，用于數(shù)據(jù)處理這樣的下游任務(wù)。研究人員還為未來的研究提供了幾個(gè)方向：

1. 在似然函數(shù)上可與其它模型類別相媲美。自回歸模型和 VAE 在對(duì)數(shù)似然上表現(xiàn)要比基于流的模型好，然而，它們各自有采樣效率低、推理不精確的缺陷?？梢詫⒒诹鞯哪Ｐ?、VAE 以及自回歸模型三者相結(jié)合來權(quán)衡其長處。這會(huì)是一個(gè)有趣的研究方向。

2. 改進(jìn)架構(gòu)，從而提高計(jì)算與參數(shù)效率。為了生成真實(shí)的高分辨率圖像，人臉生成模型使用了大約 2 億個(gè)參數(shù)、600 個(gè)卷積層，因此訓(xùn)練成本極高。而較淺的模型在學(xué)習(xí)長期依存關(guān)系時(shí)表現(xiàn)會(huì)變差。使用自注意架構(gòu)，或者用更進(jìn)步的訓(xùn)練方法作為更好的解決方案能夠讓訓(xùn)練流模型更廉價(jià)。