谷歌宣布升级了新版TF-GAN，这是TensorFlow 2.0的轻量级GAN库

谷歌刚刚宣布升级了新版TF-GAN，这是TensorFlow 2.0的轻量级GAN库。此次升级和新功能包括：云TPU支持、用于自学GAN的课程、GAN的衡量指标、无痛pip安装TF-GAN等。

2017年谷歌推出了TF-GAN。这是一个用于训练和评估生成对抗网络(GAN)的轻量级工具库，已在GitHub开源。

TF-GAN为开发者提供了轻松训练 GAN 的基础条件、经过完整测试的损失函数和评估指标，以及易于使用的范例，受到广泛的好评。

TF-GAN中的训练通常包括以下步骤：

指定网络的输入

使用GANModel设置生成器和鉴别器

使用GANLoss指定损失

使用GANTrainOps创建训练操作

开始训练模型

而就在今天，谷歌宣布了TF-GAN的升级版。下面我们就来看看都有哪些升级和新功能。

新版更新及新增功能介绍

云TPU支持

开发者现在可以使用TF-GAN在谷歌的云TPU上训练GAN。TPU是谷歌定制开发的专用集成电路（ASIC），用于加速机器学习工作负载。在其他硬件平台上需要花费数周时间进行训练的模型，在TPU上可能只需要数小时即可完成。

下面这个开源示例演示了如何利用TPU，通过ImageNet训练图像生成GAN：

https://github.com/tensorflow/gan/tree/master/tensorflow_gan/examples/self_attention_estimator

开发者还可以免费使用colaboratory，在TPU教程中运行TF-GAN：

https://colab.research.google.com/github/tensorflow/gan/blob/master/tensorflow_gan/examples/colab_notebooks/tfgan_on_tpus.ipynb

用于自学GAN的课程

当知识能够免费提供时，机器学习效果最佳。为此，谷歌发布了一个自学GAN的课程，该课程基于谷歌内部已经教授多年的GAN课程。

开发者只需要观看视频，阅读说明，进行练习；执行代码示例是精通机器学习的好方法。

GAN指标

学术论文有时会“发明一个标杆”，然后用它来衡量其他的结果。

为了便于比较论文的结果，TF-GAN使得使用标准指标变得更加容易。除了能够纠正某些困扰标准开源实现的数值精度和统计偏差之外，TF-GAN指标在计算上是高效的，并且在语法上易于使用。

添加更多范例供开发者学习

GAN研究节奏更新换代特别快。TF-GAN并不打算持续保留所有GAN模型的实例，不过谷歌还是添加了一些他们觉得比较相关的内容，包括在TPU上训练的Self-Attention GAN。

PyPi包：无痛安装TF-GAN

TF-GAN现在可以用'pip install tensorflow-gan'安装，配合'import tensorflow_gan as tfgan'一起服用，效果颇佳。

Colaboratory教程

谷歌改进了之前的教程，现在可以与谷歌的免费GPU和TPU一起使用。

独立的GitHub仓库

TF-GAN现在有了自己独立的GitHub仓库，便于更轻松地追踪更改，并正确地为开源贡献者提供回报。

Github：

https://github.com/tensorflow/gan

兼容TensorFlow 2.0

TF-GAN目前与TF 2.0兼容，但谷歌仍在继续使其与Keras兼容。开发者可以在tensorflow.org/beta找到一些不使用TF-GAN的GAN Keras示例，包括DCGAN，Pix2Pix和CycleGAN。

使用TF-GAN的范例项目

云TPU上的Self-Attention GAN

Self-Attention GAN使用两个指标，即初始分数和Frechet初始距离，在图像生成方面取得了最先进的结果。谷歌开源了这个模型的两个版本，其中一个在Cloud TPU上以开源方式运行。TPU版本与GPU版本相同，但训练速度提高了12倍。

下面3张图片依次为：TPU生成的fake图片、GPU生成的fake图片以及真实照片：

图像扩展

基于周围环境填充图像的缺失部分进行图像修复，已经是一个研究的很成熟的问题，但相关的图像扩展问题的研究较少。

图像扩展要求算法以“合理且一致”的方式将图像扩展到其边界之外。这在虚拟现实环境中是有用的，其中通常需要模拟不同的相机特性，以及诸如全景拼接之类的计算摄影应用，其中不同的图像需要被平滑地缝合在一起。

谷歌研究工程师最近开发了一种新算法，该算法使用比以前的方法更少的工件扩展图像，并使用TPU对其进行训练。

BigGAN

DeepMind研究团队使用新更改的体系结构、更大的网络、更大的batch大小和Google TPU相结合，改进了本文中最先进的图像生成。

他们使用TF-GAN的评估模块来标准化指标，并且能够展示各种图像尺寸的质量改进。