5 种主流生成模型对比：VAE、GAN、AR、Flow 与 Diffusion 原理及代码

2 生成对抗网络（GAN）

2.1 概念

GAN 由两部分组成：生成器（Generator）和判别器（Discriminator）。

• 生成器的任务是生成尽可能接近真实数据的假数据。
• 判别器的任务是区分输入数据是真实数据还是生成器生成的假数据。
• 二者通过相互竞争与对抗，共同进化，最终生成器能够生成非常接近真实数据的样本。

训练过程：

1. 判别器接受真实数据和生成器生成的假数据，进行二分类训练。
2. 生成器根据判别器的反馈，尝试生成更加真实的假数据以欺骗判别器。
3. 交替训练判别器和生成器，直到判别器无法区分真实和生成数据。

2.2 训练损失

a. 判别器的损失函数

• 判别器的目标是最大化正确判断的概率：真实样本输出 1，生成样本输出 0。
• 数学表达：
• 直观解释：判别器的损失是两部分交叉熵的总和，分别惩罚对真实样本和生成样本的判断错误。

b. 生成器的损失函数

• 生成器的目标是让判别器误判生成样本为真。
• 数学表达：

c. 对抗训练的动态过程

1. 第一轮训练：生成器随机生成低质量样本，判别器轻松识别真伪。
2. 第二轮训练：生成器改进造假技术，判别器被迷惑，损失上升。
3. 最终平衡：生成器能生成足以以假乱真的样本，判别器无法准确区分真伪。

2.3 GAN 的实现

class Generator(nn.Module):
    def __init__(self, noise_dim=100, output_dim=784):
        super(Generator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(noise_dim, 256),
            nn.ReLU(),
            nn.Linear(256, 512),
            nn.ReLU(),
            nn.Linear(512, output_dim),
            nn.Tanh() # 输出范围 [-1,1]
        )
    def forward(self, z):
        return self.model(z).view(-1, 1, 28, 28)

class Discriminator(nn.Module):
    def __init__(self, input_dim=784):
        super(Discriminator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(input_dim, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 1),
            nn.Sigmoid()
        )
    def forward(self, x):
        x = x.view(-1, 784)
        return self.model(x)

def train_gan():
    G = Generator()
    D = Discriminator()
    criterion = nn.BCELoss()
    for real_images, _ in dataloader:
        real_labels = torch.ones(real_images.size(0), 1)
        fake_labels = torch.zeros(real_images.size(0), 1)
        
        # 训练判别器
        real_loss = criterion(D(real_images), real_labels)
        z = torch.randn(real_images.size(0), 100)
        fake_images = G(z)
        fake_loss = criterion(D(fake_images.detach()), fake_labels)
        d_loss = real_loss + fake_loss
        d_loss.backward()
        optimizer_D.step()
        
        # 训练生成器
        g_loss = criterion(D(fake_images), real_labels)
        g_loss.backward()
        optimizer_G.step()

3 自回归模型（AR）

3.1 概念

自回归模型是一种基于序列数据的生成模型，通过预测序列中下一个元素的值来生成数据。给定序列 (x_1, x_2, ..., x_n)，模型学习条件概率分布 P(x_t | x_{t-1}, ..., x_1)。可通过 RNN 或 Transformer 实现。

Transformer 作为自回归模型的代表，通过注意力机制捕捉序列中每个位置与之前所有位置的依赖关系。GPT、Bert 等大模型均基于 Transformer 实现了卓越性能。

3.2 训练过程

a. 核心思想：用历史预测未来

自回归模型的核心是根据过去的输出预测未来的输出。例如语言模型根据上文预测下一个词。

b. Transformer 的损失计算：交叉熵监督预测

• 输入与输出的关系：输入序列右移一位得到目标序列，模型预测每个位置下一个词的概率分布。
• 损失函数的数学表达：
• 直观解释：交叉熵损失衡量模型预测的概率分布与真实标签的差异。

c. 损失计算的具体步骤

1. 嵌入与位置编码：将输入转换为向量并添加位置信息。
2. 因果掩码（Causal Masking）：屏蔽未来信息。
3. 多头注意力与前馈网络：整合历史信息。
4. 输出层与概率分布：映射到词表概率分布。
5. 计算损失：对比预测概率与真实词 one-hot 编码。

3.2 代码实现（Transformer-AR）

class TransformerAR(nn.Module):
    def __init__(self, vocab_size=256, embed_dim=128, num_heads=4, num_layers=3):
        super(TransformerAR, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.positional_enc = nn.Parameter(torch.randn(784, embed_dim))
        encoder_layer = nn.TransformerEncoderLayer(
            d_model=embed_dim, nhead=num_heads, dim_feedforward=512
        )
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers)
        self.fc = nn.Linear(embed_dim, vocab_size)

    def forward(self, x):
        x = self.embedding(x) + self.positional_enc
        mask = torch.triu(torch.ones(784, 784), diagonal=1).bool()
        out = self.transformer(x, mask=mask)
        logits = self.fc(out)
        return logits

    def generate(self, start_token, max_len=784):
        generated = start_token
        for _ in range(max_len):
            logits = self(generated)
            next_pixel = torch.multinomial(F.softmax(logits[:, -1, :], dim=-1), 1)
            generated = torch.cat([generated, next_pixel], dim=1)
        return generated

4 流模型（Flow）

4.1 概念

流模型是一种基于可逆变换的深度生成模型。通过一系列可逆的变换，将简单分布（如正态分布）转换为复杂的数据分布。核心思想是用'可逆魔法'转换分布，既能变形又能变回去。

4.2 训练过程

4.2 代码实现（Flow）

class FlowModel(nn.Module):
    def __init__(self, input_dim=784, hidden_dim=512):
        super(FlowModel, self).__init__()
        self.scale_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )
        self.shift_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )

    def forward(self, x):
        x1, x2 = x.chunk(2, dim=1)
        s = self.scale_net(x1)
        t = self.shift_net(x1)
        z2 = x2 * torch.exp(s) + t
        z = torch.cat([x1, z2], dim=1)
        log_det = s.sum(dim=1)
        return z, log_det

    def inverse(self, z):
        z1, z2 = z.chunk(2, dim=1)
        s = self.scale_net(z1)
        t = self.shift_net(z1)
        x2 = (z2 - t) * torch.exp(-s)
        x = torch.cat([z1, x2], dim=1)
        return x

    def flow_loss(self, z, log_det):
        prior_logprob = -0.5 * (z ** 2).sum(dim=1)
        return (-prior_logprob - log_det).mean()

5 扩散模型（Diffusion）

5.1 概念

Diffusion Model 是一类深度生成模型，灵感来源于物理学中的扩散过程。通过模拟数据从随机噪声逐渐扩散到目标数据的过程来生成数据。DDPM [NeurIPS 2020] 证明了不用像 VAE 那样学方差，只学个均值，就能有很好的图像生成效果。

与传统编码器 - 解码器结构不同，扩散模型每个时间步输出的特征图大小一致，且每个时间步都用同一套 U-Net 共享参数。

5.2 训练过程

图中损失函数的核心是衡量'预测噪声'与'真实噪声'的差距，常用均方误差（MSE）。训练时，U-net 根据带噪样本预测噪声，损失函数要求预测值尽可能接近真实噪声。

5.2 代码实现（Diffusion）

class DiffusionModel(nn.Module):
    def __init__(self, image_size=28, channels=1):
        super(DiffusionModel, self).__init__()
        self.net = nn.Sequential(
            nn.Conv2d(channels, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, channels, 3, padding=1)
        )
        self.num_steps = 1000
        self.betas = torch.linspace(1e-4, 0.02, self.num_steps)
        self.alphas = 1 - self.betas
        self.alpha_bars = torch.cumprod(self.alphas, dim=0)

    def forward(self, x, t):
        return self.net(x)

    def train_step(self, x0):
        t = torch.randint(0, self.num_steps, (x0.size(0),))
        sqrt_alpha_bar = torch.sqrt(self.alpha_bars[t]).view(-1, 1, 1, 1)
        sqrt_one_minus_alpha_bar = torch.sqrt(1 - self.alpha_bars[t]).view(-1, 1, 1, 1)
        epsilon = torch.randn_like(x0)
        xt = sqrt_alpha_bar * x0 + sqrt_one_minus_alpha_bar * epsilon
        epsilon_pred = self(xt, t)
        loss = F.mse_loss(epsilon_pred, epsilon)
        return loss

    def sample(self, num_samples=16):
        xt = torch.randn(num_samples, 1, 28, 28)
        for t in reversed(range(self.num_steps)):
            epsilon_pred = self(xt, t)
            xt = (xt - self.betas[t] * epsilon_pred) / torch.sqrt(self.alphas[t])
            if t > 0:
                xt += torch.sqrt(self.betas[t]) * torch.randn_like(xt)
        return xt

6 小结

本文回顾了 VAE、GAN、AR、Flow 和 Diffusion 五种常见的深度学习模型。

• VAE和GAN是两种常用的深度生成模型，分别基于贝叶斯概率理论和对抗训练。
• AR模型适用于处理具有时序依赖关系的数据。
• Flow模型和Diffusion模型在生成样本上具有较好的稳定性和多样性，但需要较高的计算成本。

潜在研究方向包括混合架构融合、轻量化部署以及物理约束嵌入等。