WGAN 中的权重剪裁

使用 Wasserstein-1 距离 ($W_1$) 作为 GAN 的损失函数，为训练稳定性提供了理论上的优点。Kantorovich-Rubinstein 对偶性将此距离表达为：

$W_1(\mathbb{P}_r, \mathbb{P}_g) = \sup_{||f||_L \le 1} \mathbb{E}_{x \sim \mathbb{P}_r}[f(x)] - \mathbb{E}_{\tilde{x} \sim \mathbb{P}_g}[f(\tilde{x})]$

此处，上确界是针对所有 1-Lipschitz 函数 $f$ 取的。在 WGAN 的情形下，我们的判别器（现在常称为“评论者”）的目标是近似此函数 $f$。因此，WGAN 目标函数要准确近似 Wasserstein 距离的一个重要条件是，评论者函数 $f_w$（由权重 $w$ 参数化）必须是 1-Lipschitz 的。这意味着其梯度范数在各处应最多为 1：$||\nabla_x f_w(x)||_2 \le 1$。

在训练期间，我们如何才能对神经网络施加此约束？原始 WGAN 论文提出了一种直接但有些粗糙的方法：权重剪裁。

权重剪裁的机制

权重剪裁是一种简单操作，在每次梯度更新后应用于评论者的权重。对于评论者网络中的每个权重 $w_i$，它被限制在一个小的固定范围 $[-c, c]$ 内，其中 $c$ 是一个小的正数常数（例如 0.01）。

权重 $w_i$ 在标准梯度下降更新（例如使用 RMSProp 或 SGD，而不是像 Adam 那样基于动量的优化器，原始论文中是这样建议的）后的更新步骤如下：

1. 梯度更新：$w_i \leftarrow w_i - \alpha \cdot \nabla_{w_i} L_{critic}$
2. 剪裁：$w_i \leftarrow \max(-c, \min(c, w_i))$

此操作有效地将超出 $[-c, c]$ 区间范围的任何权重“剪裁”回边界。

为何剪裁？其原理

其原理是，通过保持权重较小，我们间接限制了函数 $f_w$ 可能的梯度。如果一个函数 $f_w$ 是 $K$-Lipschitz 的，它满足 $|f_w(x_1) - f_w(x_2)| \le K ||x_1 - x_2||$。权重的量级影响着网络输出相对于其输入的改变速度。将权重限制在一个小范围 $[-c, c]$ 内，希望可以对 Lipschitz 常数 $K$ 施加一个界限，使其理想情况下接近 1。

超参数 $c$

剪裁常数 $c$ 的选择很重要且敏感。

• 如果 $c$ 过小，评论者的能力会受到严重限制。它可能被迫学习非常简单的函数，可能导致传递回生成器的梯度消失，因为评论者无法有效捕获数据分布的复杂性。
• 如果 $c$ 过大，权重可能很少触及剪裁边界。这未能有效强制施加 Lipschitz 约束，可能导致 WGAN 旨在防止的相同训练不稳定性（如模式坍塌或梯度爆炸）。

为 $c$ 寻找一个合适的值通常需要针对每个具体问题和架构进行细致调整。

权重剪裁的主要缺点

虽然易于实现，但权重剪裁引入了几个主要问题：

1. 不正常的权重分布：根据经验，通常观察到，在使用权重剪裁时，评论者的大部分权重倾向于精确地聚集在边界值 $-c$ 和 $+c$ 处。这表明网络未能有效利用其全部参数空间，并被人为限制。

2. 梯度问题：硬剪裁操作可能导致梯度问题。对于处于边界的权重，梯度信息可能被有效“剪裁”掉或变为零，阻碍学习。反之，如果 $c$ 过大，梯度仍然可能爆炸。这使得训练对 $c$ 的选择很敏感。

3. 能力降低：通过强制权重保持较小，我们限制了评论者的表达能力。评论者可能难以学习准确估计 Wasserstein 距离或向生成器提供有益梯度所需的复杂映射。这鼓励评论者学习比它原本可能需要的更简单函数。

考虑对评论者权重的影响。权重剪裁不是产生潜在平滑的分布，而是迫使许多权重聚集在边界 $-c$ 和 $+c$ 处。

直方图显示权重剪裁（粉色）如何导致权重堆积在剪裁边界（$\pm c$）处，与没有剪裁的更平滑、更自然的分布（蓝色）相比。

由于这些缺点，特别是 $c$ 值调整的困难以及潜在的梯度流动不良，现代 WGAN 实现中通常避免使用权重剪裁。它曾作为最初的验证手段，但已基本被更具理论依据且更实用的方法所取代，这些方法旨在施加 Lipschitz 约束。最突出的替代方案是梯度惩罚（WGAN-GP），它直接处理梯度范数要求，并将在下一节中阐述。