在 MNIST 数据集上训练的 DC GAN 的 Frechet 初始距离答案

【问题标题】：Frechet Inception Distance for DC GAN trained on MNIST Dataset在 MNIST 数据集上训练的 DC GAN 的 Frechet 初始距离
【发布时间】：2020-01-07 18:52:24
【问题描述】：

我开始使用 GAN，我正在 MNIST 数据集上训练 DC-GAN。我想使用 Frechet 初始距离 (FID) 评估我的模型。

由于 Inception 网络没有经过训练来对 MNIST 数字进行分类，我可以使用任何简单的 MNIST 分类器，或者对于我需要使用哪种分类器有任何条件吗？还是我应该只使用 Inception 网络？我还有几个问题
为 MNIST GAN 计算 FID 有意义吗？
在计算 FID 时应使用多少来自真实数据集的图像
对于我正在使用的分类器，我按10^6 的顺序获取 FID。值是正常还是严重错误？

如果你能回答这些问题中的任何一个，即使是部分回答，那对我来说将是巨大的帮助。谢谢！

【问题讨论】：

标签： python evaluate generative-adversarial-network

【解决方案1】：

您可以参考this。使用在 MNIST 上训练的自动编码器和瓶颈激活作为特征，如 here 所解释的那样。

【讨论】：

欢迎来到stackoverflow。最佳做法是在您的答案中包含关键细节，这样即使您链接到的内容发生更改，它也会很有帮助。
您尝试过自动编码器方法吗？ [AFAIK，这种方法可能行不通]随意不同意:)，对此我很感兴趣

【解决方案2】：

在 Mnist 上训练的模型在 FID 计算上表现不佳。据我所知，主要原因是数据分布太窄（Gan 图像距离训练分布模型太远），模型不够深，无法学习大量特征变化。

训练几个卷积层模型在 FID 上给出 10^6 个值。为了检验上述假设，仅添加 L2 正则化，FID 值下降到 3k 左右（证实数据分布很窄），但是随着 GAN 训练的进行，FID 值并没有提高。 :(。

最后，当图像变得更好时，直接从 Inception 网络计算 FID 值会得到一个很好的图。 [注意：- 您需要重新缩放 mnist 图像并通过重复一个通道 3 次转换为 RGB。确保真实图像和生成的图像具有相同的强度等级。]

【讨论】：

即将上传图。如果有人也尝试自动编码器方法会很有帮助:)。