深度學習中的Lipschitz約束：泛化與生成模型

摘要： 去年寫過一篇 WGAN-GP 的入門讀物 互懟的藝術：從零直達WGAN-GP ，提到通過梯度懲罰來為 WGAN 的判別器增加 Lipschitz 約束（下面簡稱“L 約束”）。前幾天遐想時再次想到了 WGAN，總覺得 WGAN 的梯度懲罰不夠優雅，後來也聽說 WGAN 在條件生成時很難搞（因...

去年寫過一篇 WGAN-GP 的入門讀物 ofollow,noindex">互懟的藝術：從零直達WGAN-GP ，提到通過梯度懲罰來為 WGAN 的判別器增加 Lipschitz 約束（下面簡稱“L 約束”）。前幾天遐想時再次想到了 WGAN，總覺得 WGAN 的梯度懲罰不夠優雅，後來也聽說 WGAN 在條件生成時很難搞（因為不同類的隨機插值就開始亂了），所以就想琢磨一下能不能搞出個新的方案來給判別器增加L約束。 

閉門造車想了幾天，然後發現想出來的東西別人都已經做了，果然是隻有你想不到，沒有別人做不到呀。主要包含在這兩篇論文中：Spectral Norm Regularization for Improving the Generalizability of Deep Learning [1] 和 Spectral Normalization for Generative Adversarial Networks [2]。

所以這篇文章就按照自己的理解思路，對L約束相關的內容進行簡單的介紹。 注意本文的主題是 L 約束，並不只是 WGAN。它可以用在生成模型中，也可以用在一般的監督學習中。

L約束與泛化

擾動敏感

記輸入為 x，輸出為 y，模型為 f，模型引數為 w，記為：

很多時候，我們希望得到一個“穩健”的模型。何為穩健？一般來說有兩種含義， 一是對於引數擾動的穩定性 ，比如模型變成了 fw+Δw(x) 後是否還能達到相近的效果？如果在動力學系統中，還要考慮模型最終是否能恢復到 fw(x)； 二是對於輸入擾動的穩定性 ，比如輸入從 x 變成了 x+Δx 後，fw(x+Δx) 是否能給出相近的預測結果。

讀者或許已經聽說過深度學習模型存在“對抗攻擊樣本”，比如圖片只改變一個畫素就給出完全不一樣的分類結果，這就是模型對輸入過於敏感的案例。

L約束

所以，大多數時候我們都希望模型對輸入擾動是不敏感的，這通常能提高模型的泛化效能。也就是說，我們希望 ||x1−x2|| 很小時：

也儘可能地小。當然，“儘可能”究竟是怎樣，誰也說不準。於是 Lipschitz 提出了一個更具體的約束，那就是存在某個常數 C（它只與引數有關，與輸入無關），使得下式恆成立

也就是說，希望整個模型被一個線性函式“控制”住。 這便是 L 約束了。

換言之，在這裡我們認為滿足 L 約束的模型才是一個好模型。並且對於具體的模型，我們希望估算出 C(w) 的表示式，並且希望 C(w) 越小越好，越小意味著它對輸入擾動越不敏感，泛化性越好。

神經網路

在這裡我們對具體的神經網路進行分析，以觀察神經網路在什麼時候會滿足 L 約束。

簡單而言，我們考慮單層的全連線 f(Wx+b)，這裡的 f 是啟用函式，而 W,b 則是引數矩陣/向量，這時候 (3) 變為：

讓 x1,x2 充分接近，那麼就可以將左邊用一階項近似，得到：

顯然，要希望左邊不超過右邊， ∂f/∂x 這一項（每個元素）的絕對值必須不超過某個常數。這就要求我們要使用“導數有上下界”的啟用函式，不過我們目前常用的啟用函式，比如sigmoid、tanh、relu等，都滿足這個條件。 假定啟用函式的梯度已經有界，尤其是我們常用的 relu 啟用函式來說這個界還是 1，因此 ∂f/∂x 這一項只帶來一個常數，我們暫時忽略它，剩下來我們只需要考慮 ||W(x1−x2)||。

多層的神經網路可以逐步遞迴分析，從而最終還是單層的神經網路問題，而 CNN、RNN 等結構本質上還是特殊的全連線，所以照樣可以用全連線的結果。因此，對於神經網路來說，問題變成了： 如果下式恆成立，那麼 C 的值可以是多少？

找出 C 的表示式後，我們就可以希望 C 儘可能小，從而給引數帶來一個正則化項。

矩陣範數

定義

其實到這裡，我們已經將問題轉化為了一個矩陣範數問題（矩陣範數的作用相當於向量的模長），它定義為：

如果 W 是一個方陣，那麼該範數又稱為“譜範數”、“譜半徑”等，在本文中就算它不是方陣我們也叫它“譜範數（Spectral Norm）”好了。注意 ||Wx|| 和 ||x|| 都是指向量的範數，就是普通的向量模長。而左邊的矩陣的範數我們本來沒有明確定義的，但通過右邊的向量模型的極限定義出來的，所以這類矩陣範數稱為“由向量範數誘匯出來的矩陣範數”。

好了，文縐縐的概念就不多說了，有了向量範數的概念之後，我們就有：

呃，其實也沒做啥，就換了個記號而已，||W||2 等於多少我們還是沒有搞出來。

Frobenius範數

其實譜範數 ||W||2 的準確概念和計算方法還是要用到比較多的線性代數的概念，我們暫時不研究它，而是先研究一個更加簡單的範數： Frobenius 範數，簡稱 F 範數。

這名字讓人看著慌，其實定義特別簡單，它就是：

說白了，它就是直接把矩陣當成一個向量，然後求向量的歐氏模長。

簡單通過柯西不等式，我們就能證明：

很明顯 ||W||F 提供了 ||W||2 的一個上界，也就是說，你可以理解為 ||W||2 是式 (6) 中最準確的 C（所有滿足式 (6) 的 C 中最小的那個），但如果你不大關心精準度，你直接可以取 C=||W||F，也能使得 (6) 成立，畢竟 ||W||F 容易計算。

l2正則項

前面已經說過，為了使神經網路儘可能好地滿足L約束，我們應當希望 C=||W||2 儘可能小，我們可以把 C2 作為一個正則項加入到損失函式中。當然，我們還沒有算出譜範數 ||W||2，但我們算出了一個更大的上界 ||W||F，那就先用著它吧，即 loss 為：

其中第一部分是指模型原來的 loss。我們再來回顧一下 ||W||F 的表示式，我們發現加入的正則項是：

這不就是 l2 正則化嗎？

終於，搗鼓了一番，我們得到了一點回報： 我們揭示了 l2 正則化（也稱為 weight decay）與 L 約束的聯絡，表明 l2 正則化能使得模型更好地滿足 L 約束，從而降低模型對輸入擾動的敏感性，增強模型的泛化效能。

譜範數

主特徵根

這部分我們來正式面對譜範數 ||W||2，這是線性代數的內容，比較理論化。

事實上， 譜範數 ||W||2 等於 Line"/> 的最大特徵根（主特徵根）的平方根 ，如果 W是方陣，那麼||W||2 等於 W 的最大的特徵根絕對值。

對於感興趣理論證明的讀者，這裡提供一下證明的大概思路。根據定義 (7) 我們有：

假設 對角化為diag(λ1,…,λn)，即 ，其中 λi 都是它的特徵根，而且非負，而 U 是正交矩陣，由於正交矩陣與單位向量的積還是單位向量，那麼：

所以 等於 的最大特徵根。

冪迭代

也許有讀者開始不耐煩了：鬼願意知道你是不是等於特徵根呀，我關心的是怎麼算這個鬼範數！

事實上，前面的內容雖然看起來茫然，但卻是求 ‖W‖2 的基礎。前一節告訴我們 就是 的最大特徵根，所以問題變成了求 的最大特徵根，這可以通過 “冪迭代”法  [3]   來解決。

所謂“冪迭代”，就是通過下面的迭代格式：

迭代若干次後，最後通過：

得到範數（也就是得到最大的特徵根的近似值）。也可以等價改寫為：

這樣，初始化 u,v 後（可以用全 1 向量初始化），就可以迭代若干次得到 u,v，然後代入 算得 ‖W‖2 的近似值。

對證明感興趣的讀者，這裡照樣提供一個簡單的證明表明為什麼這樣的迭代會有效。

記，初始化為 ，同樣假設 A 可對角化，並且假設 A 的各個特徵根 λ1,…,λn 中，最大的特徵根嚴格大於其餘的特徵根（不滿足這個條件意味著最大的特徵根是重根，討論起來有點複雜，需要請讀者查詢專業證明，這裡僅僅拋磚引玉。

當然，從數值計算的角度，幾乎沒有兩個人是完全相等的，因此可以認為重根的情況在實驗中不會出現。），那麼 A 的各個特徵向量 η1,…,ηn 構成完備的基底，所以我們可以設：

每次的迭代是 Au/‖Au‖，其中分母只改變模長，我們留到最後再執行，只看 A 的重複作用：

注意對於特徵向量有 Aη=λη，從而：

不失一般性設 λ1 為最大的特徵值，那麼：

根據假設 λ2/λ1,…,λn/λ1 都小於 1，所以 r→∞ 時它們都趨於零，或者說當 r 足夠大時它們可以忽略，那麼就有：

先不管模長，這個結果表明當 r 足夠大時， 提供了最大的特徵根對應的特徵向量的近似方向，其實每一步的歸一化只是為了防止溢位而已。這樣一來 就是對應的單位特徵向量，即：

因此： ，這就求出了譜範數的平方。

譜正則化

前面我們已經表明了 Frobenius 範數與 l2 正則化的關係，而我們已經說明了 Frobenius 範數是一個更強（更粗糙）的條件，更準確的範數應該是譜範數。雖然譜範數沒有 Frobenius 範數那麼容易計算，但依然可以通過式 (15) 迭代幾步來做近似。

所以，我們可以提出 “譜正則化（Spectral Norm Regularization）” 的概念，即把譜範數的平方作為額外的正則項，取代簡單的 l2 正則項。即式 (11) 變為：

Spectral Norm Regularization for Improving the Generalizability of Deep Learning [1]一文已經做了多個實驗，表明“譜正則化”在多個任務上都能提升模型效能。 

在 Keras 中，可以通過下述程式碼計算譜範數：

def spectral_norm(w, r=5):
w_shape = K.int_shape(w)
in_dim = np.prod(w_shape[:-1]).astype(int)
out_dim = w_shape[-1]
w = K.reshape(w, (in_dim, out_dim))
u = K.ones((1, in_dim))
for i in range(r):
v = K.l2_normalize(K.dot(u, w))
u = K.l2_normalize(K.dot(v, K.transpose(w)))
return K.sum(K.dot(K.dot(u, w), K.transpose(v)))

生成模型

WGAN

如果說在普通的監督訓練模型中，L 約束只是起到了“錦上添花”的作用，那麼在 WGAN 的判別器中，L 約束就是必不可少的關鍵一步了。因為 WGAN 的判別器的優化目標是：

這裡的 Pr,Pg 分別是真實分佈和生成分佈，|f|L=1 指的就是要滿足特定的 L 約束 |f(x1)−f(x2)|≤‖x1−x2‖（那個 C=1）。所以上述目標的意思是，在所有滿足這個L約束的函式中，挑出使得 最大的那個 f，就是最理想的判別器。寫成 loss 的形式就是：

梯度懲罰

目前比較有效的一種方案就是梯度懲罰，即 ‖f′(x)‖=1 是 |f|L=1 的一個充分條件，那麼我把這一項加入到判別器的 loss 中作為懲罰項，即：

事實上我覺得加個 relu(x)=max(x,0) 會更好：

其中 採用隨機插值的方式：

梯度懲罰不能保證 ‖f′(x)‖=1，但是直覺上它會在 1 附近浮動，所以 |f|L 理論上也在 1 附近浮動，從而近似達到 L 約束。

這種方案在很多情況下都已經 work 得比較好了，但是在真實樣本的類別數比較多的時候卻比較差（尤其是條件生成）。

問題就出在隨機插值上：原則上來說，L 約束要在整個空間滿足才行，但是通過線性插值的梯度懲罰只能保證在一小塊空間滿足。如果這一小塊空間剛好差不多就是真實樣本和生成樣本之間的空間，那勉勉強強也就夠用了，但是如果類別數比較多，不同的類別進行插值，往往不知道插到哪裡去了，導致該滿足 L 條件的地方不滿足，因此判別器就失靈了。

思考：梯度懲罰能不能直接用作有監督的模型的正則項呢？有興趣的讀者可以試驗一下。

譜歸一化

梯度懲罰的問題在於它只是一個懲罰，只能在區域性生效。真正妙的方案是構造法：構建特殊的 f，使得不管 f 裡邊的引數是什麼，f 都滿足 L 約束。

事實上，WGAN 首次提出時用的是引數裁剪——將所有引數的絕對值裁剪到不超過某個常數，這樣一來引數的 Frobenius 範數不會超過某個常數，從而 |f|L 不會超過某個常數，雖然沒有準確地實現 |f|L=1，但這隻會讓 loss 放大常數倍，因此不影響優化結果。引數裁剪就是一種構造法，這不過這種構造法對優化並不友好。

簡單來看，這種裁剪的方案優化空間有很大，比如改為將所有引數的 Frobenius 範數裁剪到不超過某個常數，這樣模型的靈活性比直接引數裁剪要好。如果覺得裁剪太粗暴，換成引數懲罰也是可以的，即對所有範數超過 Frobenius 範數的引數施加一個大懲罰，我也試驗過，基本有效，但是收斂速度比較慢。

然而，上面這些方案都只是某種近似，現在我們已經有了譜範數，那麼可以用最精準的方案了： 將 f 中所有的引數都替換為 w/‖w‖2 。這就是譜歸一化（Spectral Normalization），在 Spectral Normalization for Generative Adversarial Networks [2] 一文中被提出並實驗。

這樣一來，如果 f 所用的啟用函式的導數絕對值都不超過 1，那麼我們就有 |f|L≤1，從而用最精準的方案實現了所需要的 L 約束。

注：“啟用函式的導數絕對值都不超過 1”，這個通常都能滿足，但是如果判別模型使用了殘差結構，則啟用函式相當於是 x+relu(Wx+b)，這時候它的導數就不一定不超過 1 了。但不管怎樣，它會不超過一個常數，因此不影響優化結果。

我自己嘗試過在 WGAN 中使用譜歸一化（不加梯度懲罰，參考程式碼見後面）， 發現最終的收斂速度（達到同樣效果所需要的 epoch）比 WGAN-GP 還要快，效果還要更好一些。 而且，還有一個影響速度的原因：就是每個 epoch 的執行時間，梯度懲罰會比用譜歸一化要長，因為用了梯度懲罰後，在梯度下降的時候相當於要算二次梯度了，要執行整個前向過程兩次，所以速度比較慢。

Keras實現

在 Keras 中，實現譜歸一化可以說簡單也可以說不簡單。

說簡單，只需要在判別器的每一層卷積層和全連線層都傳入 kernel_constraint 引數，而 BN 層傳入 gamma_constraint 引數。constraint 的寫法是：

def spectral_normalization(w):
return w / spectral_norm(w)

參考程式碼： https://github.com/bojone/gan/blob/master/keras/wgan_sn_celeba.py

說不簡單，是因為目前的 Keras（2.2.4 版本）中的 kernel_constraint 並沒有真正改變了 kernel，而只是在梯度下降之後對 kernel 的值進行了調整，這跟論文中 spectral_normalization 的方式並不一樣。如果只是這樣使用的話，就會發現後期的梯度不準，模型的生成質量不佳。

為了實現真正地修改 kernel，我們要不就得重新定義所有的層（卷積、全連線、BN 等所有包含矩陣乘法的層），要不就只能修改原始碼了，修改原始碼是最簡單的方案，修改檔案 keras/engine/base_layer.py 的 Layer 物件的 add_weight 方法，本來是（目前是 222 行開始）：

def add_weight(self,
name,
shape,
dtype=None,
initializer=None,
regularizer=None,
trainable=True,
constraint=None):
"""Adds a weight variable to the layer.
# Arguments
name: String, the name for the weight variable.
shape: The shape tuple of the weight.
dtype: The dtype of the weight.
initializer: An Initializer instance (callable).
regularizer: An optional Regularizer instance.
trainable: A boolean, whether the weight should
be trained via backprop or not (assuming
that the layer itself is also trainable).
constraint: An optional Constraint instance.
# Returns
The created weight variable.
"""
initializer = initializers.get(initializer)
if dtype is None:
dtype = K.floatx()
weight = K.variable(initializer(shape),
dtype=dtype,
name=name,
constraint=constraint)
if regularizer is not None:
with K.name_scope('weight_regularizer'):
self.add_loss(regularizer(weight))
if trainable:
self._trainable_weights.append(weight)
else:
self._non_trainable_weights.append(weight)
return weight

修改為：

def add_weight(self,
name,
shape,
dtype=None,
initializer=None,
regularizer=None,
trainable=True,
constraint=None):
"""Adds a weight variable to the layer.
# Arguments
name: String, the name for the weight variable.
shape: The shape tuple of the weight.
dtype: The dtype of the weight.
initializer: An Initializer instance (callable).
regularizer: An optional Regularizer instance.
trainable: A boolean, whether the weight should
be trained via backprop or not (assuming
that the layer itself is also trainable).
constraint: An optional Constraint instance.
# Returns
The created weight variable.
"""
initializer = initializers.get(initializer)
if dtype is None:
dtype = K.floatx()
weight = K.variable(initializer(shape),
dtype=dtype,
name=name,
constraint=None)
if regularizer is not None:
with K.name_scope('weight_regularizer'):
self.add_loss(regularizer(weight))
if trainable:
self._trainable_weights.append(weight)
else:
self._non_trainable_weights.append(weight)
if constraint is not None:
return constraint(weight)
return weight

也就是把 K.variable 的 constraint 改為 None，把 constraint 放到最後執行。 注意，不要看到要改原始碼就馬上來吐槽 Keras 封裝太死，不夠靈活什麼的，你要是用其他框架基本上比 Keras 複雜好多倍（相對不加 spectral_normalization 的 GAN 的改動量）。

總結

本文是關於 Lipschitz 約束的一篇總結，主要介紹瞭如何使得模型更好地滿足 Lipschitz 約束，這關係到模型的泛化能力。而難度比較大的概念是譜範數，涉及較多的理論和公式。

整體來看，關於譜範數的相關內容都是比較精巧的，而相關結論也進一步表明線性代數跟機器學習緊密相關，很多“高深”的線性代數內容都可以在機器學習中找到對應的應用。

參考文獻

[1]. Spectral Norm Regularization for Improving the Generalizability of Deep Learning. Yuichi Yoshida, Takeru Miyato. ArXiv 1705.10941.

[2]. Takeru Miyato, Toshiki Kataoka, Masanori Koyama, and Yuichi Yoshida. Spectral normalization for generative adversarial networks. In ICLR, 2018.

[3]. https://en.wikipedia.org/wiki/Power_iteration