【GAN】如何生动有趣地对GAN进行可视化？Google的GAN Lab推荐你了解一下

关注

原创最新推荐文章于 2026-08-02 07:52:19 发布 2.3k 阅读 AI 写同款· GEO 优化 ›

GAN与风格迁移：从原理到艺术创作实战风格迁移（Style Transfer）是计算机视觉中结合深度学习与艺术创作的前沿技术，其核心是通过卷积神经网络（CNN）分离图像内容与风格特征。生成对抗网络（GAN）的引入则通过生成器与判别器的对抗训练机制，显著提升了生成效率与质量。这种技术组合在艺术滤镜、影视特效、数字媒体等领域具有广泛应用价值。本指南以PyTorch框架为基础，详解如何利用预训练模型实现神经风格迁移，并进一步结合CycleGAN架构实现无监督跨域转换。实战部分包含内容/风格损失计算、颜色保留优化等关键技巧，特别适合希望掌握AI艺术生成阅读详情

今天将给大家介绍一个有趣的小工具—GAN Lab，这是一款对抗生成网络的可视化工具，对新手非常友好，有助于快速理解GAN的工作流程和原理。

作者&编辑 | 小米粥

编辑 | 言有三

GAN Lab是谷歌开发的一款开源的GAN可视化工具，使用GAN Lab不需要安装过程、不需要深度学习库PyTorch或TensorFlow等、也不需要专门硬件GPU，通过网页浏览器（推荐 Chrome）就可以打开，网址为：

https://poloclub.github.io/ganlab/

如果对源码感兴趣，可访问github自行学习：

https://github.com/poloclub/ganlab/

用户可以利用 GAN Lab交互地训练生成模型并可视化动态训练过程的中间结果，用动画来理解 GAN 训练过程中的每一个细节，画面简洁美观，笔者认为这是GAN可视化工具中整体效果最好的，其主体界面如下：

GAN Lab主体包括三个部分：MODEL OVERVIEW GRAPH、LAYERED DISTRIBUTIONS、METRICS，其中MODEL OVERVIEW GRAPH将GAN模型可视化为图片，展示了GAN的基本结构、数据流，将输入输出数据进行了可视化；LAYERED DISTRIBUTIONS可视化了真实样本、生成器生成样本、生成器梯度等内容；METRICS记录了迭代训练过程中的分布距离的度量。

1. 设置模型

首先，在界面的最上方，我们可以选择不同的数据分布。需要强调的是：可视化工作只能在不超过三维的维度上展示，维度超过三维的数据无法全面展示，故整个GAN Lab中的噪声noise、训练样本real samples、生成样本fake samples均为二维数据。部分关于GAN的实验结果可能与数据维度有关，这在GAN Lab中是无法得到体现的。

为了画面简洁，一些模型参数的调整按钮是被隐藏的，若要将其完全显示出来，请务必将MODEL OVERVIEW GRAPH旁的编辑按钮点亮为黄色。

对于噪声noise的分布，可以选择1D 高斯分布、1D均匀分布、2D高斯分布、2D均匀分布，其中1D 表示样本只在一个维度上表现为高斯/均匀分布，另一个维度保持为定值。当把鼠标放置到生成器Generator上时，GAN Lab会展示出从噪声空间转换成生成数据流形的动态过程，如下图所示：

对于训练数据的分布，可以选择GAN Lab内置的四种类型，如下图所示：

也可以自行使用绘图的功能“描绘”出想要的训练数据分布，选择第五种类型Draw one by yourself，在白板内勾画数据分布，然后点击apply即可，效果如下图所示：

GAN Lab提供的GAN是最简单的GAN，它只支持单生成器单判别器的结构，并且两者均为全连接层，对生成器Generator可设置隐层（hidden layers）的数目以及每个隐层内的神经元（neurons）的数目。若为了简单，可使用已经训练好的模型，只需在页面上方选择use pre-trained model即可。

对于损失函数，GAN Lab提供了Log loss和LeastSq loss，其中前者为原始版本的GAN中的目标函数，后者为最小二乘GAN中的目标函数。

对于生成器和判别器的迭代次数，可以分别设置在每一轮迭代中，生成器/判别器需要训练的次数，手动调整updates per epoch即可。

对于优化算法，GAN Lab对生成器和判别器均提供了SGD和Adam两种算法，只需在Optimizer中选择即可，每种算法均可设置不同的学习速率，在Learning rate中选择即可。

2. 模型训练

把模型的结构、参数等信息设置完成后，即可在界面上方的控制台控制模型的训练过程。

第一个按钮Reset the model表示将模型完全重置，可重新设置参数。

第二个按钮Run/Pause training表示开始/暂停训练过程，训练过程可视化内容在不同的更新，同时数据流也会被展示出来。

第三个按钮Slow-motion mode表示进入慢动作模式，将其点亮为黄色后，GAN的运行流程可分步骤展示出来，在MODEL OVERVIEW GRAPH页面，只有当前步骤涉及到的节点和数据流会被明确展示出来，其他部分虚化显示，有助于理解GAN正向计算和反向传播运算流程，如下图所示分别为判别器和生成器的慢动作模式：

第四个按钮Train for one epoch可用于控制训练的节奏，即只训练一次，将其点亮为黄色后，可选择只训练一次Generator，或只训练一次Discriminator，或两者都分别训练一次Both，每点击一次都会进行一个epoch训练。

最后的epoch记录了目前为止模型的迭代训练次数。

在METRICS部分，记录了生成器和判别器的损失，同时还记录了两个分布的KL散度和JS散度（这里是通过网格化来计算），如下图所示。需要注意，METRICS部分的函数图像每经过2000次epoch才更新一次。

3. 可视化数据

在MODEL OVERVIEW GRAPH模块中，每个节点均被可视化。噪声Noise节点的样本（使用绿色表示）分布、训练数据集Real Samples节点的样本（使用紫色表示）分布、生成数据Fake Samples节点的样本（使用紫色表示）分布均被在二维平面清晰展示出来，如下图所示：

在生成器Generator节点，生成数据的流形会被可视化展示出来，紫色部分表示数据流形的范围，紫色程度的深浅表示了数据分布的概率高低，深紫色表示高概率，浅紫色表示低概率，如下图所示：

在判别器Discriminator节点，判别器的整体预测结果被用热图（hot map）的形式可视化地展示了出来，其中绿色部分表示判别器认为其为真实样本，绿色越深表示判别器输出越接近1；紫色部分表示判别器认为其为虚假样本，紫色越深表示判别器输出越接近0；白色部分表示判别器输出接近于0.5，也可理解为分类器的分类面，如下图所示：

在判别器的预测结果Prediction of Samples节点，每一个真实样本Real Samples和虚假样本Fake Samples经过判别器的输出结果被展示出来，其颜色意义与上相同。

在生成器的梯度Gradients节点，可视化结果将虚假样本即生成样本、梯度共同展示出来，用直线段指示出每个虚假样本计算得到的梯度方向，用线段的长度表示梯度的大小，如下图所示：

LAYERED DISTRIBUTIONS将真实样本、虚假样本、虚假样本的流形、判别器的结果图、虚假样本的梯度等5个节点共同展示在同一幅图中，如下图所示：

可以在LAYERED DISTRIBUTIONS模块调整显示的内容来进行有选择性地展示，只需在下方的介绍中单击real samples, fake samples, discriminator, generator, gradients等字样即可，字样下为实线表示节点的可视化内容会在LAYERED DISTRIBUTIONS中展示，为虚线则不展示，如下图所示：

4. 两个演示

我们举一个例子来看看如何通过GAN Lab来理解GAN的工作流程。首先，训练生成器会使虚假样本（紫色）向真实样本（绿色）靠拢，虚假样本的梯度也表明训练使得两个分布靠近，如下图所示：

接着，训练判别器，判别器不会对样本的分布产生影响，但是会对输出热图产生影响，如下图所示：

不断迭代更新，最后真实样本和虚假样本几乎重合，并且判别器在这些样本点的输出为0.5（白色），如下图所示：

另外，我们可对数据样本分析，理解模式崩溃问题，如下图所示，所有生成的虚假样本都聚到到一个点，生成器完全没有拟合真实样本的分布，这是可以通过GAN Lab体现出来的。

GAN Lab是目前已知的一款非常优秀的GAN可视化软件，简单生动，适合于入门，但对于难度较高的问题，由于各种限制，它还无法做到完全的可视化。

[1]Minsuk K , Nikhil T , Polo C D H , et al. GAN Lab: Understanding Complex Deep Generative Models using Interactive Visual Experimentation[J]. IEEE Transactions on Visualization and Computer Graphics, 2018:1-1.

总结

这一部分给大家介绍了一个有趣的小工具—GAN Lab，这是一款对抗生成网络的可视化工具，对新手非常友好，有助于快速理解GAN的工作流程和原理。

GAN群