following luotao1's comments

gan/README.md

@@ -3,11 +3,15 @@
 ## 背景介绍
 本章我们介绍对抗式生成网络，也称为Generative Adversarial Network(GAN) \[[1](#参考文献)\]。对抗式生成网络是生成模型 (generative model) 的一种，可以用非监督学习的办法来学习输入数据的分布，从而能达到产生和输入数据拥有同样概率分布的人造数据。这样的学习能力可以帮助机器完成图片自动生成、图像去噪、缺失图像补全和图像超分辨生成等工作。 
 
-现在大部分利用深度学习成功的例子都是在监督学习的条件下，把高维数据映射到一种低维空间表示（representation）里来进行分类（可参见前面几章的介绍）。这种方法也叫判别模型（discriminative model），它直接对条件概率P(y|x)建模。像我们的前八章，都是判别模型。但用这种方法学到的表示一般只是对那一种目标任务有效果，而不能很好的转移到别的任务。同时监督学习的训练需要大量标记好的数据，很多时候不是很容易得到。
+深度学习现有的方法大致可以分为两大类，判别模型（discriminative model）和生成模型（generative model）。
 
-生成模型背后的基本想法是，如果一个模型它能够生成和真实数据非常相近的数据，那么很可能它就学到了对于这种数据的一种很有效的表示。生成模型另一些实际用途包括，图像去噪，缺失图像补全，图像超分辨生成等等。在标记数据不够的时候，还可以用生成模型生成的数据来预训练模型。
+判别模型是在监督学习的条件下，把高维数据映射到一种低维空间表示（representation）里来进行分类（可参见前面几章的介绍），它直接对条件概率P(y|x)建模。像我们的前八章，都是判别模型。但用这种方法学到的表示一般只是对那一种目标任务有效果，而不能很好的转移到别的任务。同时监督学习的训练需要大量标记好的数据，很多时候不是很容易得到。
 
-近年来有一些有趣的图片生成模型，一种是变分自编码器（variational autoencoder）\[[3](#参考文献)\]，它是在概率图模型（probabilistic graphical model）的框架下面搭建了一个生成模型，对数据有完整的概率描述（即对P(x)进行建模），训练时是通过调节参数来最大化数据的概率。用这种方法产生的图片，虽然所对应的概率高，但很多时候看起来都比较模糊。为了解决这个问题，人们又提出了本章所要介绍的另一种生成模型，对抗式生成网络。
+生成模型在监督学习和非监督学习的条件下都可以应用。在监督学习的条件下，生成模型是直接对联合概率P(X,Y)建模。在非监督学习的条件下，生成模型是对P(X)进行建模。生成模型背后的基本想法是，如果一个模型它能够生成和真实数据非常相近的数据，那么很可能它就学到了对于这种数据的一种很有效的表示。生成模型另一些实际用途包括，图像去噪，缺失图像补全，图像超分辨生成等等。在标记数据不够的时候，还可以用生成模型生成的数据来预训练模型。
+
+生成模型一个重要的研究方向是图片生成。相比于生成文字，由于图片数据的维度更大并且数值是连续的，所以生成起来难度更大。关于图片生成的研究已经有比较久的历史，之前的方法有，受限玻尔兹曼机（Restricted Boltzmann Machine）\[[4](#参考文献)\]，深度玻尔兹曼机（Deep Boltzmann Machine）\[[5](#参考文献)\]，神经自回归分布估计（Neural Autoregressive Distribution Estimator）\[[6](#参考文献)\]等。但它们都无法生成看起来很真实的图片。
+
+近年来由于深度学习的发展，出现了一些更有效的图片生成模型，一种是变分自编码器（variational autoencoder）\[[3](#参考文献)\]，它是在概率图模型（probabilistic graphical model）的框架下面搭建了一个生成模型，对数据有完整的概率描述，训练时是通过调节参数来最大化数据的概率。用这种方法产生的图片，虽然所对应的概率高，但很多时候看起来都比较模糊。另一种是像素循环神经网络（Pixel Recurrent Neural Network）\[[7](#参考文献)\]，它是通过根据周围的像素来一个像素一个像素的生成图片，但这种方法生成的图片在全局看来会不太一致。为了解决这些问题，人们又提出了本章所要介绍的另一种生成模型，对抗式生成网络。
 
 在本章里，我们展对抗式生产网络的细节，以及如何用PaddlePaddle训练一个GAN模型。
 
@@ -20,7 +24,7 @@
 </p>
 
 ## 模型概览
-对抗式生成网络的大致结构在图2中画出，它由两部分组成：一个生成器（Generator）G 和一个分类器（Discriminator, 也称判别器）D，两者都是有多层神经网络构成的。生成器的输入是一个多维的已知概率分布的噪音 z(噪音的概率分布不取决于待生成样本，如可以服从正态分布)，通过神经网络变换，输出伪样本。分类器输的输入是真样本和伪样本，输出为分类结果为真样本和伪样本的概率。训练时生成器和分类器处于相互竞争对抗状态，生成器会尽量生成和真样本相近的伪样本让分类器无法分辨真伪，而分类器则会尽力去分辨伪样本。具体的损失函数如下：
+对抗式生成网络的原理示意图在图2中画出，它由两部分组成：一个生成器（Generator）G 和一个分类器（Discriminator, 也称判别器）D，两者都是有多层神经网络构成的。生成器的输入是一个多维的已知概率分布的噪音 z(噪音的概率分布不取决于待生成样本，如可以服从正态分布)，通过神经网络变换，输出伪样本。分类器输的输入是真样本和伪样本，输出为分类结果为真样本和伪样本的概率。训练时生成器和分类器处于相互竞争对抗状态，生成器会尽量生成和真样本相近的伪样本让分类器无法分辨真伪，而分类器则会尽力去分辨伪样本。具体的损失函数如下：
 
 $$\min_G\max_D \text{Loss} = \min_G\max_D \frac{1}{m}\sum_{i=1}^m[\log D(x^i) + log(1-D(G(z^i)))]$$
 
@@ -28,17 +32,24 @@ $$\min_G\max_D \text{Loss} = \min_G\max_D \frac{1}{m}\sum_{i=1}^m[\log D(x^i) +
 
 <p align="center">
     <img src="./gan.png" width="500" height="300"><br/>
-    图2. GAN模型结构
+    图2. GAN模型原理示意图
     <a href="https://ishmaelbelghazi.github.io/ALI/">figure credit</a>
 </p>
 
 训练时，生成器和分类器会轮流通过随机梯度下降算法更新参数。生成器的目标函数是让自己产生的样本被分类器分类为真，而分类器的目标函数则是正确的区分真伪样本。当对抗式生成模型训练收敛到平衡态的时候，生成器会把输入的噪音分布转化成真的样本数据分布，而分类器则完全无法分辨真伪图片。
 
-在最早的对抗式生成网络的论文中，生成器和分类器用的都是全联接层，所以没有办法很好的生成图片数据，也没有办法做的很深。所以在随后的论文中，人们提出了深度卷积对抗式生成网络（deep convolutional generative adversarial network or DCGAN）\[[2](#参考文献)\]。在DCGAN中，生成器 G 是由多个卷积转置层（transposed convolution）组成的，这样可以用更少的参数来生成质量更高的图片。具体网络结果可参见图3。
+在最早的对抗式生成网络的论文中，生成器和分类器用的都是全联接层。在附带的代码gan_conf.py中，我们实现了一个类似的结构。生成器和分类器都是由三层全联接层构成，并且在某些全联接层后面加入了批标准化层（batch normalization）。所用网络结构在图3中给出。生成器的损失函数是其所生成的伪样本$x'$被判别器判定为真的概率，而判别器的损失函数是伪样本$x'$被判定为假的概率加上真样本$x$被判别为真的概率。
+
+<p align="center">
+    <img src="./gan_conf_graph.png" width="700" height="400"><br/>
+    图3. GAN模型结构图
+</p>
+
+由于上面的这种网络都是由全联接层组成，所以没有办法很好的生成图片数据，也没有办法做的很深。所以在随后的论文中，人们提出了深度卷积对抗式生成网络（deep convolutional generative adversarial network or DCGAN）\[[2](#参考文献)\]。在DCGAN中，生成器 G 是由多个卷积转置层（transposed convolution）组成的，这样可以用更少的参数来生成质量更高的图片。具体网络结果可参见图4。而判别器是由多个卷积层组成。
 
 <p align="center">
     <img src="./dcgan.png" width="700" height="300"><br/>
-    图3. DCGAN生成器模型结构
+    图4. DCGAN生成器模型结构
     <a href="https://arxiv.org/pdf/1511.06434v2.pdf">figure credit</a>
 </p>
 
@@ -48,38 +59,67 @@ $$\min_G\max_D \text{Loss} = \min_G\max_D \frac{1}{m}\sum_{i=1}^m[\log D(x^i) +
 ### 数据介绍与下载
 这章会用到两种数据，一种是简单的人造数据，一种是图片。
 
-人造数据是二维均匀分布，由下面的代码生成:
+人造数据是二维0到1之间的均匀分布，由下面的代码生成（numpy.random.rand会生成0-1均匀分布随机数）:
 
 ```python
-# synthesize 2-D uniform data in gan_trainer.py:114
+# 合成2-D均匀分布数据 gan_trainer.py:114
 def load_uniform_data():
     data = numpy.random.rand(1000000, 2).astype('float32')
     return data
 ```
 
-图片数据是MNIST手写数字，可由下面的代码下载：
+图片数据是MNIST手写数字和CIFAR-10，可由下面的代码下载：
 
 ```bash
 $cd data/
 $./get_mnist_data.sh
-```
-
-另一种更真实的图片数据是Cifar-10，可由下面的代码下载：
-
-```bash
-$cd data/
 $./download_cifar.sh
 ```
 
 ## 模型配置说明
 由于对抗式生产网络涉及到多个神经网络，所以必须用paddle Python API来训练。下面的介绍也可以部分的拿来当作paddle Python API的使用说明。
 
+### 数据定义
+这里数据没有通过dataprovider提供，而是在gan_trainer.py里面直接产生data_batch并以Arguments的形式提供给trainer。
+
+```python
+def prepare_generator_data_batch(batch_size, noise):
+	 # generator训练标签。根据前文的介绍，generator是为了让自己的生成的数据
+	 # 被标记为真，所以这里的标签都统一生成1，也就是真
+    label = numpy.ones(batch_size, dtype='int32')
+    ＃ 数据是Arguments的类型，这里创建的一个有两个位置的Arguments
+    inputs = api.Arguments.createArguments(2)
+    ＃ 第一个Argument位置放noise
+    inputs.setSlotValue(0, api.Matrix.createDenseFromNumpy(noise))
+    ＃ 第二个Argument位置放label
+    inputs.setSlotIds(1, api.IVector.createVectorFromNumpy(label))
+    return inputs
+
+＃ 为generator训练创造数据
+data_batch_gen = prepare_generator_data_batch(batch_size, noise)
+# 把数据data_batch_gen传递给generator trainer
+gen_trainer.trainOneDataBatch(batch_size, data_batch_gen)
+```
+
+### 算法配置
+
+在这里，我们指定了模型的训练参数, 选择学习率和batch size。这里的beta1参数比默认值0.9小很多是为了使学习的过程更稳定。
+
+```python
+settings(
+    batch_size=128,
+    learning_rate=1e-4,
+    learning_method=AdamOptimizer(beta1=0.5))
+
+```
+	
 ### 模型结构
 在文件gan_conf.py当中我们定义了三个网络, **generator_training**, **discriminator_training** and **generator**. 和前文提到的模型结构的关系是：**discriminator_training** 是分类器，**generator** 是生成器，**generator_training** 是生成器加分类器因为训练生成器时需要用到分类器提供目标函数。这个对应关系在下面这段代码中定义：
 
 ```python
 if is_generator_training:
     noise = data_layer(name="noise", size=noise_dim)
+    # 函数generator定义了生成器的结构
     sample = generator(noise)
 
 if is_discriminator_training:
@@ -87,6 +127,7 @@ if is_discriminator_training:
 
 if is_generator_training or is_discriminator_training:
     label = data_layer(name="label", size=1)
+    ＃ 函数discriminator定义了判别器的结构
     prob = discriminator(sample)
     cost = cross_entropy(input=prob, label=label)
     classification_error_evaluator(
@@ -98,21 +139,44 @@ if is_generator:
     outputs(generator(noise))
 ```
 
+##训练模型
+用MNIST手写数字图片训练对抗式生成网络可以用如下的命令：
+
+```bash
+$python gan_trainer.py -d mnist --use_gpu 1
+```
+
+训练中打印的日志信息如下：
+```
+d_pos_loss is 0.681067     d_neg_loss is 0.704936
+d_loss is 0.693001151085    g_loss is 0.681496
+...........d_pos_loss is 0.64475     d_neg_loss is 0.667874
+d_loss is 0.656311988831    g_loss is 0.719081
+...
+I0105 17:15:48.346783 20517 TrainerInternal.cpp:165]  Batch=100 samples=12800 AvgCost=0.701575 CurrentCost=0.701575 Eval: generator_training_error=0.679219  CurrentEval: generator_training_error=0.679219 
+.........d_pos_loss is 0.644203     d_neg_loss is 0.71601
+d_loss is 0.680106401443    g_loss is 0.671118
+....
+I0105 17:16:37.172737 20517 TrainerInternal.cpp:165]  Batch=100 samples=12800 AvgCost=0.687359 CurrentCost=0.687359 Eval: discriminator_training_error=0.438359  CurrentEval: discriminator_training_error=0.438359 
+```
+
+其中d_pos_loss是判别器对于真实数据判别真的负对数概率，d_neg_loss是判别器对于伪数据判别为假的负对数概率，d_loss是这两者的平均值。g_loss是伪数据被判别器判别为真的负对数概率。对于对抗式生成网络来说，最好的训练情况是D和G的能力比较相近，也就是d_loss和g_loss在训练的前几个pass中数值比较接近（-log(0.5) = 0.693）。由于G和D是轮流训练，所以它们各自每过100个batch，都会打印各自的训练信息。
+
 为了能够训练在gan_conf.py中定义的网络，我们需要如下几个步骤：初始化Paddle环境，解析设置，由设置创造GradientMachine以及由GradientMachine创造trainer。这几步分别由下面几段代码实现：
 
 ```python
 import py_paddle.swig_paddle as api
-# init paddle environment
+# 初始化Paddle环境
 api.initPaddle('--use_gpu=' + use_gpu, '--dot_period=10',
                '--log_period=100', '--gpu_id=' + args.gpu_id,
                '--save_dir=' + "./%s_params/" % data_source)
 
-# Parse config
+# 解析设置
 gen_conf = parse_config(conf, "mode=generator_training,data=" + data_source)
 dis_conf = parse_config(conf, "mode=discriminator_training,data=" + data_source)
 generator_conf = parse_config(conf, "mode=generator,data=" + data_source)
 
-# Create GradientMachine
+# 由设置创造GradientMachine
 dis_training_machine = api.GradientMachine.createFromConfigProto(
 dis_conf.model_config)
 gen_training_machine = api.GradientMachine.createFromConfigProto(
@@ -120,7 +184,7 @@ gen_conf.model_config)
 generator_machine = api.GradientMachine.createFromConfigProto(
 generator_conf.model_config)
 
-# Create trainer
+# 由GradientMachine创造trainer
 dis_trainer = api.Trainer.create(dis_conf, dis_training_machine)
 gen_trainer = api.Trainer.create(gen_conf, gen_training_machine)
 ```
@@ -138,55 +202,23 @@ def get_training_loss(training_machine, inputs):
 每当训练完一个网络，我们需要和其他几个网络同步互相分享的参数值。下面的代码展示了其中一个例子：
 
 ```python
-# Train the gen_training
+# 训练gen_training
 gen_trainer.trainOneDataBatch(batch_size, data_batch_gen)
 
-# Copy the parameters from gen_training to dis_training and generator
+# 把gen_training中的参数同步到dis_training和generator当中
 copy_shared_parameters(gen_training_machine,
 dis_training_machine)
 copy_shared_parameters(gen_training_machine, generator_machine)
 ```
 
-### 数据定义
-这里数据没有通过dataprovider提供，而是在gan_trainer.py里面直接产生data_batch并以Arguments的形式提供给trainer。
-
-```python
-def prepare_generator_data_batch(batch_size, noise):
-    label = numpy.ones(batch_size, dtype='int32')
-    inputs = api.Arguments.createArguments(2)
-    inputs.setSlotValue(0, api.Matrix.createDenseFromNumpy(noise))
-    inputs.setSlotIds(1, api.IVector.createVectorFromNumpy(label))
-    return inputs
-
-＃ Create data_batch for generator
-data_batch_gen = prepare_generator_data_batch(batch_size, noise)
-# Feed data_batch_gen into generator trainer
-gen_trainer.trainOneDataBatch(batch_size, data_batch_gen)
-```
-
-### 算法配置
-
-在这里，我们指定了模型的训练参数, 选择学习率和batch size。这里的beta1参数比默认值0.9小很多是为了使学习的过程更稳定。
-
-```python
-settings(
-    batch_size=128,
-    learning_rate=1e-4,
-    learning_method=AdamOptimizer(beta1=0.5))
-
-```
-	
-##训练模型
-用MNIST手写数字图片训练对抗式生成网络可以用如下的命令：
-
-```bash
-$python gan_trainer.py -d mnist --useGpu 1
-```
-
 ## 应用模型
 图片由训练好的生成器生成。以下的代码将噪音z输入到生成器 G 当中，通过向前传递得到生成的图片。
 
 ```python
+# 噪音z是多维正态分布
+def get_noise(batch_size, noise_dim):
+    return numpy.random.normal(size=(batch_size, noise_dim)).astype('float32')
+
 def get_fake_samples(generator_machine, batch_size, noise):
     gen_inputs = api.Arguments.createArguments(1)
     gen_inputs.setSlotValue(0, api.Matrix.createDenseFromNumpy(noise))
@@ -195,7 +227,8 @@ def get_fake_samples(generator_machine, batch_size, noise):
     fake_samples = gen_outputs.getSlotValue(0).copyToNumpyMat()
     return fake_samples
 
-# At the end of each pass, save the generated samples/images
+# 在每个pass的最后，保存生成的图片
+noise = get_noise(batch_size, noise_dim)
 fake_samples = get_fake_samples(generator_machine, batch_size, noise)
 ```
 
@@ -207,3 +240,7 @@ fake_samples = get_fake_samples(generator_machine, batch_size, noise)
 1. Goodfellow I, Pouget-Abadie J, Mirza M, et al. [Generative adversarial nets](https://arxiv.org/pdf/1406.2661v1.pdf)[C] Advances in Neural Information Processing Systems. 2014
 2. Radford A, Metz L, Chintala S. [Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks](https://arxiv.org/pdf/1511.06434v2.pdf)[C] arXiv preprint arXiv:1511.06434. 2015
 3. Kingma D.P. and Welling M. [Auto-encoding variational bayes](https://arxiv.org/pdf/1312.6114v10.pdf)[C] arXiv preprint arXiv:1312.6114. 2013
+4. Hinton G and Salakhutdinov R. [Reducing the dimensionality of data with neural networks](https://www.cs.toronto.edu/~hinton/science.pdf) Science 313.5786. 2006
+5. Salakhutdinov R and Hinton G. [Deep Boltzmann Machines](http://www.jmlr.org/proceedings/papers/v5/salakhutdinov09a/salakhutdinov09a.pdf)[J] AISTATS. Vol. 1. 2009
+6. Larochelle H and Murray I. [The Neural Autoregressive Distribution Estimator](http://www.jmlr.org/proceedings/papers/v15/larochelle11a/larochelle11a.pdf) AISTATS. Vol. 1. 2011.
+7. van den Oord A, Kalchbrenner N and Kavukcuoglu K. [Pixel Recurrent Neural Networks](https://arxiv.org/pdf/1601.06759v3.pdf) arXiv preprint arXiv:1601.06759 (2016).