谷歌剛剛宣布升級了新版TF-GAN，這是TensorFlow 2.0的輕量級GAN庫。此次升級和新功能包括：云TPU支持、用于自學GAN的課程、GAN的衡量指標、無痛pip安裝TF-GAN等。

2017年谷歌推出了TF-GAN。這是一個用于訓練和評估生成對抗網絡(GAN)的輕量級工具庫，已在GitHub開源。

TF-GAN為開發者提供了輕松訓練 GAN 的基礎條件、經過完整測試的損失函數和評估指標，以及易于使用的范例，受到廣泛的好評。

TF-GAN中的訓練通常包括以下步驟：

指定網絡的輸入

使用GANModel設置生成器和鑒別器

使用GANLoss指定損失

使用GANTrainOps創建訓練操作

開始訓練模型

而就在今天，谷歌宣布了TF-GAN的升級版。下面我們就來看看都有哪些升級和新功能。

新版更新及新增功能介紹

云TPU支持

開發者現在可以使用TF-GAN在谷歌的云TPU上訓練GAN。TPU是谷歌定制開發的專用集成電路（ASIC），用于加速機器學習工作負載。在其他硬件平臺上需要花費數周時間進行訓練的模型，在TPU上可能只需要數小時即可完成。

下面這個開源示例演示了如何利用TPU，通過ImageNet訓練圖像生成GAN：

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

開發者還可以免費使用colaboratory，在TPU教程中運行TF-GAN：

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

用于自學GAN的課程

當知識能夠免費提供時，機器學習效果最佳。為此，谷歌發布了一個自學GAN的課程，該課程基于谷歌內部已經教授多年的GAN課程。

開發者只需要觀看視頻，閱讀說明，進行練習；執行代碼示例是精通機器學習的好方法。

GAN指標

學術論文有時會“發明一個標桿”，然后用它來衡量其他的結果。

為了便于比較論文的結果，TF-GAN使得使用標準指標變得更加容易。除了能夠糾正某些困擾標準開源實現的數值精度和統計偏差之外，TF-GAN指標在計算上是高效的，并且在語法上易于使用。

添加更多范例供開發者學習

GAN研究節奏更新換代特別快。TF-GAN并不打算持續保留所有GAN模型的實例，不過谷歌還是添加了一些他們覺得比較相關的內容，包括在TPU上訓練的Self-Attention GAN。

PyPi包：無痛安裝TF-GAN

TF-GAN現在可以用'pip install tensorflow-gan'安裝，配合'import tensorflow_gan as tfgan'一起服用，效果頗佳。

Colaboratory教程

谷歌改進了之前的教程，現在可以與谷歌的免費GPU和TPU一起使用。

獨立的GitHub倉庫

TF-GAN現在有了自己獨立的GitHub倉庫，便于更輕松地追蹤更改，并正確地為開源貢獻者提供回報。

Github：

https://github.com/tensorflow/gan

兼容TensorFlow 2.0

TF-GAN目前與TF 2.0兼容，但谷歌仍在繼續使其與Keras兼容。開發者可以在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的范例項目

云TPU上的Self-Attention GAN

Self-Attention GAN使用兩個指標，即初始分數和Frechet初始距離，在圖像生成方面取得了最先進的結果。谷歌開源了這個模型的兩個版本，其中一個在Cloud TPU上以開源方式運行。TPU版本與GPU版本相同，但訓練速度提高了12倍。

下面3張圖片依次為：TPU生成的fake圖片、GPU生成的fake圖片以及真實照片：

圖像擴展

基于周圍環境填充圖像的缺失部分進行圖像修復，已經是一個研究的很成熟的問題，但相關的圖像擴展問題的研究較少。

圖像擴展要求算法以“合理且一致”的方式將圖像擴展到其邊界之外。這在虛擬現實環境中是有用的，其中通常需要模擬不同的相機特性，以及諸如全景拼接之類的計算攝影應用，其中不同的圖像需要被平滑地縫合在一起。

谷歌研究工程師最近開發了一種新算法，該算法使用比以前的方法更少的工件擴展圖像，并使用TPU對其進行訓練。

BigGAN

DeepMind研究團隊使用新更改的體系結構、更大的網絡、更大的batch大小和Google TPU相結合，改進了本文中最先進的圖像生成。

他們使用TF-GAN的評估模塊來標準化指標，并且能夠展示各種圖像尺寸的質量改進。