1、背景
GAN作为生成模型的一种新型训练方法，通过discriminative model来指导generative model的训练，并在真实数据中取得了很好的效果。尽管如此，当目标是一个待生成的非连续性序列时，该方法就会表现出其局限性。非连续性序列生成，比如说文本生成，为什么单纯的使用GAN没有取得很好的效果呢？主要的屏障有两点：
1）在GAN中，Generator是通过随机抽样作为开始，然后根据模型的参数进行确定性的转化。通过generative model G的输出，discriminative model D计算的损失值，根据得到的损失梯度去指导generative model G做轻微改变，从而使G产生更加真实的数据。而在文本生成任务中，G通常使用的是LSTM，那么G传递给D的是一堆离散值序列，即每一个LSTM单元的输出经过softmax之后再取argmax或者基于概率采样得到一个具体的单词，那么这使得梯度下架很难处理。
2）GAN只能评估出整个生成序列的score/loss，不能够细化到去评估当前生成token的好坏和对后面生成的影响。
强化学习可以很好的解决上述的两点。再回想一下Policy Gradient的基本思想，即通过reward作为反馈，增加得到reward大的动作出现的概率，减小reward小的动作出现的概率，如果我们有了reward，就可以进行梯度训练，更新参数。如果使用Policy Gradient的算法，当G产生一个单词时，如果我们能够得到一个反馈的Reward，就能通过这个reward来更新G的参数，而不再需要依赖于D的反向传播来更新参数，因此较好的解决了上面所说的第一个屏障。对于第二个屏障，当产生一个单词时，我们可以使用蒙塔卡罗树搜索(Alpho Go也运用了此方法)立即评估当前单词的好坏,而不需要等到整个序列结束再来评价这个单词的好坏。
因此，强化学习和对抗思想的结合，理论上可以解决非连续序列生成的问题，而SeqGAN模型，正是这两种思想碰撞而产生的可用于文本序列生成的模型。
SeqGAN模型的原文地址为：https://arxiv.org/abs/1609.05473,当然在我的github链接中已经把下载好的原文贴进去啦。
结合代码可以更好的理解模型的细节哟：https://github.com/princewen/tensorflow_practice/tree/master/seqgan
2、SeqGAN的原理
SeqGAN的全称是Sequence Generative Adversarial Nets。这里打公式太麻烦了，所以我们用word打好再粘过来，冲这波手打也要给小编一个赞呀，哈哈！
整体流程
模型的示意图如下：
Generator模型和训练
接下来，我们分别来说一下Generator模型和Discriminator模型结构。
Generator一般选择的是循环神经网络结构，RNN，LSTM或者是GRU都可以。对于输入的序列，我们首先得到序列中单词的embedding，然后输入每个cell中，并结合一层全链接隐藏层得到输出每个单词的概率，即：
有了这个概率，Generator可以根据它采样一批产生的序列，比如我们生成一个只有，两个单词的序列，总共的单词序列有3个，第一个cell的输出为(0.5,0.5,0.0),第二个cell的输出为(0.1,0.8,0.1)，那么Generator产生的序列以0.4的概率是1->2,以0.05的概率是1->1。注意这里Generator产生的序列是概率采样得到的，而不是对每个输出进行argmax得到的固定的值。这和policy gradient的思想是一致的。
在每一个cell我们都能得到一个概率分布，我们基于它选择了一个动作或者说一个单词，如何判定基于这个概率分布得到的单词的还是坏的呢？即我们需要一个reward来左右这个单词被选择的概率。这个reward怎么得到呢，就需要我们的Discriminator以及蒙塔卡罗树搜索方法了。前面提到过Reward的计算依据是最大可能的Discriminator，即尽可能的让Discriminator认为Generator产生的数据为real-world的数据。这里我们设定real-world的数据的label为1，而Generator产生的数据label为0.
如果当前的cell是最后的一个cell，即我们已经得到了一个完整的序列，那么此时很好办，直接把这个序列扔给Discriminator，得到输出为1的概率就可以得到reward值。如果当前的cell不是最后一个cell，即当前的单词不是最后的单词，我们还没有得到一个完整的序列，如何估计当前这个单词的reward呢？我们用到了蒙特卡罗树搜索的方法。即使用前面已经产生的序列，从当前位置的下一个位置开始采样，得到一堆完整的序列。在原文中，采样策略被称为roll-out policy，这个策略也是通过一个神经网络实现，这个神经网络我们可以认为就是我们的Generator。得到采样的序列后，我们把这一堆序列扔给Discriminator，得到一批输出为1的概率，这堆概率的平均值即我们的reward。这部分正如过程示意图中的下面一部分：
用原文中的公式表示如下：
得到了reward，我们训练Generator的方式就很简单了，即通过Policy Gradient的方式进行训练。最简单的思想就是增加reward大的动作的选择概率，减小reward小的动作的选择概率。
Discriminator模型和训练
Discriminator模型即一个分类器，对文本分类的分类器很多，原文采用的是卷积神经网络。同时为了使模型的分类效果更好，在CNN的基础上增加了一个highway network。有关highway network的介绍参考博客：https://blog.csdn.net/l494926429/article/details/51737883，这里就不再细讲啦。
对于Discriminator来说，既然是一个分类器，输出的又是两个类别的概率值，我们很自然的想到使用类似逻辑回归的对数损失函数，没错，论文中也是使用对数损失来训练Discriminator的。
结合oracle模型
可以说，模型我们已经介绍完了，但是在实验部分，论文中引入了一个新的模型中，被称为oracle model。这里的oracle如何翻译，我还真的是不知道，总不能翻译为甲骨文吧。这个oracle model被用来生成真实的序列，可以认为这个model就是一个被训练完美的lstm模型，输出的序列都是real-world数据。论文中使用这个模型的原因有两点：首先是可以用来产生训练数据，另一点是可以用来评价我们Generator的真实表现。原文如下：
我们会在训练过程中不断通过上面的式子来评估我们的Generator与oracle model的相似性。
预训练过程
上面我们讲的其实是在对抗过程中Generator和Discriminator的训练过程，其实在进行对抗之前，我们的Generator和Discriminator都有一个预训练的过程，这能使我们的模型更快的收敛。
对于Generator来说，预训练和对抗过程中使用的损失函数是不一样的，在预训练过程中，Generator使用的是交叉熵损失函数，而在对抗过程中，我们使用的则是Policy Gradient中的损失函数，即对数损失*奖励值。
而对Discriminator来说，两个过程中的损失函数都是一样的，即我们前面介绍的对数损失函数。
SeqGAN模型流程
介绍了这么多，我们再来看一看SeqGAN的流程：
3、SeqGAN代码解析
这里我们用到的代码高度还原了原文中的实验过程，本文参考的github代码地址为：https://github.com/ChenChengKuan/SeqGAN_tensorflow
参考的代码为python2版本的，本文将其稍作修改，改成了python3版本的。其实主要就是print和pickle两个地方。本文代码的github地址为：https://github.com/princewen/tensorflow_practice/tree/master/seqgan
代码实在是太多了，我们这里只介绍一下代码结构，具体的代码细节大家可以参考github进行学习。
3.1 代码结构
本文的代码结构如下：
save：save文件夹下保存了我们的实验日志，eval_file是由Generator产生，用来评价Generator和oracle model相似性所产生的数据。real_data是由oracle model产生的real-world数据，generator_sample是由Generator产生的数据，target_params是oracle model的参数，我们直接用里面的参数还原oracle model。
configuration : 一些配置参数
dataloader.py: 产生训练数据，对于Generator来说，我们只在预训练中使用dataloader来得到训练数据，对Discriminator来说，在预训练和对抗过程中都要使用dataloader来得到训练数据。而在eval过程即进行Generator和oracle model相似性判定时，会用刀dataloader来产生数据。
discriminator.py：定义了我们的discriminator
generator.py ：定义了我们的generator
rollout.py：计算reward时的采样过程
target_lstm.py：定义了我们的oracle model，这个文件不用管，复制过去就好，哈哈。
train.py : 定义了我们的训练过程，这是我们一会重点讲解的文件
utils.py : 定义了一些在训练过程中的通用过程。
下面，我们就来介绍一下每个文件。
3.2 dataloader
dataloader是我们的数据生成器。
它定义了两个类，一个时Generator的数据生成器，主要用于Generator的预训练以及计算Generator和Oracle model的相似性。另一个时Discriminator的数据生成器，主要用于Discriminator的训练。
3.3 generator
generator中定义了我们的Generator，代码结构如下：
build_input：定义了我们的预训练模型和对抗过程中需要输入的数据
build_pretrain_network : 定义了Generator的预训练过程中的网络结构，其实这个网络结构在预训练，对抗和采样的过程中是一样的，参数共享。预训练过程中定义的损失是交叉熵损失。
build_adversarial_network: 定义了Generator的对抗过程的网络结构，和预训练过程共享参数，因此你可以发现代码基本上是一样的，只不过在对抗过程中的损失函数是policy gradient的损失函数，即 -log(p(xi) * v(xi):
self
.pgen_loss_adv = - tf.reduce_sum(
tf.reduce_sum(
tf.one_hot(tf.to_int32(tf.reshape(
self
.input_seqs_adv,[
-1
])),
self
.num_emb,on_value=
1.0
,off_value=
0.0
)
* tf.log(tf.clip_by_value(tf.reshape(
self
.softmax_list_reshape,[
-1
,
self
.num_emb]),
1e-20
,
1.0
)),
1
) * tf.reshape(
self
.rewards,[
-1
]))
build_sample_network：定义了我们Generator采样得到生成序列过程的网络结构，与前两个网络参数是共享的。
那么这三个网络是如何使用的呢？pretrain_network就是用来预训练我们的Generator的，这个没有异议。然后在对抗时的每一个epoch，首先用sample_network得到一堆采样的序列samples，然后对采样序列的对每一个时点，使用roll-out-policy结合Discriminator得到reward值。最后，把这些samples和reward值喂给adversarial_network进行参数更新。
3.4 discriminator
discriminator的文件结构如下：
前面的linear和highway函数实现了highway network。
在Discriminator类中，我们采用CNN建立了Discriminator的网络结构，值得注意的是，我们这里采用的损失函数加入了正则项：
with tf.name_scope(
"output"
):
W = tf.Variable(tf.truncated_normal([num_filters_total,
self
.num_classes],stddev =
0.1
),name=
"W"
)
b = tf.Variable(tf.constant(
0.1
,shape=[
self
.num_classes]),name=
'b'
)
self
.l2_loss += tf.nn.l2_loss(W)
self
.l2_loss += tf.nn.l2_loss(b)
self
.scores = tf.nn.xw_plus_b(
self
.h_drop,W,b,name=
'scores'
)
# batch * num_classes
self
.ypred_for_auc = tf.nn.softmax(
self
.scores)
self
.predictions = tf.argmax(
self
.scores,
1
,name=
'predictions'
)
with tf.name_scope(
"loss"
):
losses = tf.nn.softmax_cross_entropy_with_logits(logits=
self
.scores,labels=
self
.input_y)
# 损失函数中加入了正则项
self
.loss = tf.reduce_mean(losses) +
self
.l2_reg_lambda +
self
.l2_loss
3.5 rollout
这个文件实现的通过rollout-policy得到一堆完整序列的过程，前面我们提到过了，rollout-policy实现需要一个神经网络，而我们这里用Generator当作这个神经网络，所以它与前面提到的三个Generator的网络的参数也是共享的。
另外需要注意的是，我们这里要得到每个序列每个时点的采样数据，因此需要进行两层循环：
假设我们传过来的序列长度是20，最后一个不需要进行采样，因为已经是完整的序列了。假设当前的step是5，那么0-4是不需要采样的，但我们需要把0-4位置的序列输入到网络中得到state。得到state之后，我们再经过一层循环得到5-19位的采样序列，然后将0-4位置的序列的和5-19位置的序列的进行拼接。
sample_rollout = tf.concat([sample_rollout_left,sample_rollout_right],axis=1)
3.6 utils
utils中定义了两个函数：
generate_samples函数用于调用Generator中的sample_network产生sample或者用于调用target-lstm中的sample_network产生real-world数据
target_loss函数用于计算Generator和oracle model的相似性。
3.7 train
终于改介绍我们的主要流程控制代码了，先深呼吸一口，准备开始！
定义dataloader以及网络
首先，我们获取了configuration中定义的参数，然后基于这些参数，我们得到了三个dataloader。
随后，我们定义了Generator和Discriminator，以及通过读文件来创建了我们的oracle model，在代码中叫target_lstm。
config_train = training_config()
config_gen = generator_config()
config_dis = discriminator_config()
np.random.seed(config_train.seed)
assert
config_train.start_token ==
0
gen_data_loader = Gen_Data_loader(config_gen.gen_batch_size)
likelihood_data_loader = Gen_Data_loader(config_gen.gen_batch_size)
dis_data_loader = Dis_dataloader(config_dis.dis_batch_size)
generator = Generator(config=config_gen)
generator.build()
rollout_gen = rollout(config=config_gen)
#Build target LSTM
target_params = pickle.load(open(
'save/target_params.pkl'
,
'rb'
),encoding=
'iso-8859-1'
)
target_lstm = TARGET_LSTM(config=config_gen, params=target_params)
# The oracle model
# Build discriminator
discriminator = Discriminator(config=config_dis)
discriminator.build_discriminator()
预训练Generator
我们首先定义了预训练过程中Generator的优化器，即通过AdamOptimizer来最小化交叉熵损失，随后我们通过target-lstm网络来产生Generator的训练数据，利用dataloader来读取每一个batch的数据。
同时，每隔一定的步数，我们会计算Generator与target-lstm的相似性(likelihood)
# Build optimizer op for pretraining
pretrained_optimizer = tf.train.AdamOptimizer(config_train.gen_learning_rate)
var_pretrained = [v
for
v
in
tf.trainable_variables()
if
'teller'
in
v.name]
gradients, variables = zip(
*pretrained_optimizer.compute_gradients(generator.pretrained_loss, var_list=var_pretrained))
gradients, _ = tf.clip_by_global_norm(gradients, config_train.grad_clip)
gen_pre_update = pretrained_optimizer.apply_gradients(zip(gradients, variables))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
generate_samples(sess,target_lstm,config_train.batch_size,config_train.generated_num,config_train.positive_file)
gen_data_loader.create_batches(config_train.positive_file)
log
= open(
'save/experiment-log.txt'
,
'w'
)
print
(
'Start pre-training generator....'
)
log.write(
'pre-training...\n'
)
for
epoch
in
range(config_train.pretrained_epoch_num):
gen_data_loader.reset_pointer()
for
it
in
range(gen_data_loader.num_batch):
batch = gen_data_loader.next_batch()
_,g_loss = sess.run([gen_pre_update,generator.pretrained_loss],feed_dict={generator.input_seqs_pre:batch,
generator.input_seqs_mask:np.ones_like(batch)})
if
epoch % config_train.test_per_epoch ==
0
:
#进行测试，通过Generator产生一批序列，
generate_samples(sess,generator,config_train.batch_size,config_train.generated_num,config_train.eval_file)
# 创建这批序列的data-loader
likelihood_data_loader.create_batches(config_train.eval_file)
# 使用oracle 计算 交叉熵损失nll
test_loss = target_loss(sess,target_lstm,likelihood_data_loader)
# 打印并写入日志
print
(
'pre-train '
,epoch,
' test_loss '
,test_loss)
buffer =
'epoch:\t'
+ str(epoch) +
'\tnll:\t'
+ str(test_loss) +
'\n'
log.write(buffer)
预训练Discriminator
预训练好Generator之后，我们就可以通过Generator得到一批负样本，并结合target-lstm产生的正样本来预训练我们的Discriminator。
print
(
'Start pre-training discriminator...'
)
for
t
in
range(config_train.dis_update_time_pre):
print
(
"Times: "
+ str(t))
generate_samples(sess,generator,config_train.batch_size,config_train.generated_num,config_train.negative_file)
dis_data_loader.load_train_data(config_train.positive_file,config_train.negative_file)
for
_
in
range(config_train.dis_update_time_pre):
dis_data_loader.reset_pointer()
for
it
in
range(dis_data_loader.num_batch):
x_batch,y_batch = dis_data_loader.next_batch()
feed_dict = {
discriminator.input_x : x_batch,
discriminator.input_y : y_batch,
discriminator.dropout_keep_prob : config_dis.dis_dropout_keep_prob
}
_ = sess.run(discriminator.train_op,feed_dict)
定义对抗过程中Generator的优化器
这里定义的对抗过程中Generator的优化器即最小化我们前面提到的policy gradient损失，再回顾一遍：
self
.pgen_loss_adv = - tf.reduce_sum(
tf.reduce_sum(
tf.one_hot(tf.to_int32(tf.reshape(
self
.input_seqs_adv,[
-1
])),
self
.num_emb,on_value=
1.0
,off_value=
0.0
)
* tf.log(tf.clip_by_value(tf.reshape(
self
.softmax_list_reshape,[
-1
,
self
.num_emb]),
1e-20
,
1.0
)),
1
) * tf.reshape(
self
.rewards,[
-1
]))
# Build optimizer op for adversarial training
train_adv_opt = tf.train.
AdamOptimizer
(config_train.gen_learning_rate)
gradients, variables = zip(*train_adv_opt.compute_gradients(generator.gen_loss_adv, var_list=var_pretrained))
gradients,
_
= tf.clip_by_global_norm(gradients, config_train.grad_clip)
train_adv_update = train_adv_opt.apply_gradients(zip(gradients, variables))
# Initialize global variables of optimizer for adversarial training
uninitialized_var = [e
for
e
in
tf.global_variables()
if
e
not
in
tf.trainable_variables()]
init_vars_uninit_op = tf.variables_initializer(uninitialized_var)
sess.run(init_vars_uninit_op)
对抗过程中训练Generator
对抗过程中训练Generator，我们首先需要通过Generator得到一批序列sample，然后使用roll-out结合Dsicriminator得到每个序列中每个时点的reward，再将reward和sample喂给adversarial_network进行参数更新。
# Start adversarial training
for
total_batch
in
range(config_train.total_batch):
for
iter_gen
in
range(config_train.gen_update_time):
samples = sess.run(generator.sample_word_list_reshpae)
feed = {
'pred_seq_rollout:0'
:samples
}
reward_rollout = []
for
iter_roll
in
range(config_train.rollout_num):
rollout_list = sess.run(rollout_gen.sample_rollout_step,feed_dict=feed)
# np.vstack 它是垂直（按照行顺序）的把数组给堆叠起来。
rollout_list_stack = np.vstack(rollout_list)
reward_rollout_seq = sess.run(discriminator.ypred_for_auc,feed_dict={
discriminator.
input_x:
rollout_list_stack,discriminator.
dropout_keep_prob:
1.0
})
reward_last_tok = sess.run(discriminator.ypred_for_auc,feed_dict={
discriminator.
input_x:
samples,discriminator.
dropout_keep_prob:
1.0
})
reward_allseq = np.concatenate((reward_rollout_seq,reward_last_tok),axis=
0
)[
:
,
1
]
reward_tmp = []
for
r
in
range(config_gen.gen_batch_size):
reward_tmp.append(reward_allseq[range(r,config_gen.gen_batch_size * config_gen.sequence_length,config_gen.gen_batch_size)])
reward_rollout.append(np.array(reward_tmp))
rewards = np.sum(reward_rollout,axis =
0
) / config_train.rollout_num
_
,gen_loss = sess.run([train_adv_update,generator.gen_loss_adv],feed_dict={generator.
input_seqs_adv:
samples,
generator.
rewards:
rewards})
对抗过程中训练Discriminator
对抗过程中Discriminator的训练和预训练过程一样，这里就不再赘述。
for
_
in
range(config_train.dis_update_time_adv):
generate_samples(sess,generator,config_train.batch_size,config_train.generated_num,config_train.negative_file)
dis_data_loader.load_train_data(config_train.positive_file,config_train.negative_file)
for
_
in
range(config_train.dis_update_time_adv):
dis_data_loader.reset_pointer()
for
it
in
range(dis_data_loader.num_batch):
x_batch,y_batch = dis_data_loader.next_batch()
feed = {
discriminator.input_x:x_batch,
discriminator.input_y:y_batch,
discriminator.dropout_keep_prob:config_dis.dis_dropout_keep_prob
}
_ = sess.run(discriminator.train_op,feed)
3.8 训练效果
来一发训练效果截图：
原文发布时间为：2018-08-21
本文作者：文文
本文来自云栖社区合作伙伴“Python爱好者社区”，了解相关信息可以关注“Python爱好者社区”。
