旅行拍照穿的超好看(上镜)的衣服有哪些风格?

说到拍照穿什么上镜,我觉得与其为了每次旅行大量购入新衣,不如从最简单的色彩搭配上解决问题。

这样既不用舍弃你本来的穿衣风格,

还可以更加精准有效地准备行李。


以前,每次旅行前,我会买很多有的没的,结果是不但上镜不好看,又白白浪费掉了不少银子。

后来,为了早日脱离吃土大军,我做了这样一件事情:

把以前拍的照片全都放在一起,认真地看了一遍。


我发现,在生活中,虽然我们更注重衣服的款式和细节,

但在照片中,我们最先注意到的,是衣服颜色。

那些和周围环境搭起来舒服又漂亮的,出镜率最高,

而那些拍哪哪不搭的,就根本没从行李里拿出来过。


所以今天,我要来和大家分享一下旅行拍照中容易被忽略掉的色彩搭配方案。

浅显易懂、简单粗暴、三步解决!



第一步:认识色相环


首先,让我们一起来掌握一点色彩学小姿势。

它不仅能让我们的穿衣搭配更好看,还广泛应用于生活的各个方面:拍照画画、家居装饰、做饭摆盘等等。

简单学习,即可迅速提升生活美感!


▶ 色相环


要学习色彩搭配,第一步,请长按屏幕,储存下面这张图片。



这个像彩虹一样漂亮的圆形,就是基础的色相环(The Color Wheel)。

色相环一边(包含黄色、橙色、红色)为暖色,另一边(包含紫色、蓝色、绿色)为冷色。

一般来说,我们看到暖色,会感觉到活力和欢快,而冷色则用来表达安静祥和的气氛。



色相环几乎囊括了我们在生活中最常见的十二种颜色,通过学习它们的对应关系,即可掌握基础的颜色搭配技巧。


★ 选修:色相环小原理

我们都知道三原色是「红」、「黄」、「蓝」,它们位于十二色环的等边三角形顶点的位置。

如果将三原色两两相加,可调出「橙」、「绿」、「紫」,成为三间色。

如果再将这六种颜色中两相邻的颜色等量互调,就得到了六个再间色。

如此,便产生了十二色色相环。



图片来源于Color Wheels are wrong? How color vision actually works


第二步:学会分析背景颜色


现在,就让我们以色相环为基础,讲解一下色彩搭配的几个原则和技巧,顺便对一些旅行拍照中的常见背景进行分析。


▶ 最百搭背景: 纯色


我们平时说的纯色,学名叫「同一色」(Monochromatic),指的是色相环中的任意一个颜色。

它们就像一块块漂亮的拼图,组成了12色的色相环。

打乱了看,就像一个个可爱的小扇子!



不过,这种背景色在我们平时的拍摄中并不常见,一般也就是天空和海洋可以做到这样的颜色纯度。



很多棚拍的时尚大片喜欢用这种纯色背景,因为它非常干净简洁,最能突出人物,展示服装细节。


△ Miu Miu Spring Summer 2017 Lookbook



▶ 最和谐背景: 同色系


我们都知道,彩虹是由红、橙、黄、绿、蓝、靛、紫组成的,而这些作为左右邻居和平共处的颜色,就是被我们称为同色系的几种颜色,也是色相环学名叫做「相近色」(Analogous)的几种相邻颜色。

单独拿出来看,就像一条条小裙子~



这种色彩在自然中最为常见,因此会给人非常舒服的感觉。

比如秋天的银杏叶、蓝色的天空与绿色的大地、红色的霞光与金色的云彩。




如果把「同一色」和「相近色」的环境当做我们拍照的背景,这对于穿着搭配来说是非常好的。

因为简单的背景色彩环境为我们提供了更为广阔的搭配空间。

可以搭配同色系打造和谐统一感,也可以搭配对比色制造冲突,突出主要人物、吸引观众视线。


所以说,如果是初学上镜穿衣搭配,首选这两种背景颜色为佳。


△ Studio Nicholson Pre Fall 17 Collection Preview

△ Paul Smith autumn/winter '17 at Paris Fashion Week


▶ 难度升级背景: 比色


在色相环中,两个相对的颜色,也就是呈180°分布的两个颜色,称为「对比色」(Complementary,也叫「互补色」)。



每一组对比色就像一个精巧的小领结,带着冲突的美感,却往往能实现更加令人心动的画面效果。


举一个简单的例子,为什么我们觉得红花那么好看?

正是因为「红色」和「绿色」是色相环中的一组对比色。





★ TIPS:

如果要选取对比色为背景,有一个非常重要的准则:颜色不要等分

如果两种颜色在画面中比例相当,会产生相当刻板的印象。

反之,调整好比例,看起来才会舒服。


在对比色的范畴内,还有一种听起来只觉一脸懵逼的「补色分割」(Split Complementary)搭配法则。


让我们一边看着下面这张图片一边学习。



「补色分割」指的是色相环中的三种颜色:

颜色① 色相环中的任意一个颜色,简称颜色A。

颜色② A颜色对比色左边的颜色。

颜色③ A颜色对比色右边的颜色。

简单来说,色相环中的等腰三角形的三个顶点,就是一组「补色分割」了!


这种配色方案虽然也强调颜色对比,但没有对比色那么紧张而富有戏剧张力。

它所追求得是一种更加平和细腻的效果。

比如下图所示的秋景,苍青色、金黄色与天蓝色,组成了水天一色的美景,既不失层次,又轻快美丽。



「对比色」在拍照背景中很常见,与刚刚列举的「同一色」和「相近色」比起来,能实现更加丰富生动的画面效果。

同时,也更考察大家对色彩的控制力,在下一个章节中,我会进行更加详细的举例说明。


△ PASKAL AW14 Lookbook


最复杂背景多色


当画面中出现多种颜色,不要慌张,我们依然有配色方案可循。

这就是传说中的「矩形配色」(Tetratic / Double Complementary),它是由两组对比色构成的,看起来像个X,因此在色相环中会呈现一个矩形,因此被称为「矩形配色」。




这种配色是最复杂也是最有趣的,常见于城市街景。



符合「矩形配色」的背景颜色更抓人眼球,虽然与服装搭配起来是最难的,但如果找准一种主色调来进行有效搭配,可以玩出很多新鲜的花样。

是一种挑战与机遇同在的尝试~


△ Shrimps Silkies Capsule Lookbook



第三步:把自己想象成一个色块


通过列举常见的拍摄背景,我们大致了解了基本的配色原则。

那么,下一步,就是把我们自己放进画面里,进行实际操练啦!


请记住,拍照时我们都是有所选择的。

前期控制好画面的色彩搭配,后期才能完成更细腻的色彩处理。

所以,如果把自己想象为画面中的一个色块来考虑问题,

穿什么最上镜这个问题就会迎刃而解了!


难度 ★

背景为简单色(如:室内、森林、雪景、沙漠等等)


我们之前分享过一些酒店或者房间的室内拍摄技巧(文末有链接复习),一般在室内环境下,很容易找到单色的背景。

这种情况下,我们可以搭配同色系,也可以搭配对比色,当然也可以玩出更多小花样。


① 搭配同色系


◆ 大师示范

服装与背景的搭配,如果是同色系,可以让画面看起来平和优雅,充满了自然的和谐感。

比如像这张画,背景是红色墙面和红色窗帘,虽然都是红色,但因为质地的不同依然打造出迷人的层次感。

而坐在窗前的女人身着深紫色,近乎黑色的裙装,选择了轻薄的纱质连衣裙,正好与厚重的天鹅绒窗帘形成了对比。


△ Giovanni Boldini作品


再比如莫奈的这张《The Picnic》,最惹眼的明显是这个穿着鹅黄色连衣裙的女人。

金黄色的阳光洒在树梢上,整张画从左至右显现出令人晕眩的光感,而这样的效果,正是由卓越的色彩搭配完成的。



△ Claude Monet作品



◆ 小墨汇报演出


那么,应用到我们平时的拍摄中,就是这样了:


红色和粉色其实是绝配,淡粉色正好可以稀释红色所带来的浓重感,也让画面显得更加文艺浪漫。



还有,谁说蓝色背景不能配蓝色衣服?

人物的视线正好指向画面中另一个蓝色的物体,两个蓝色色块便形成了非常和谐的构图。



既然月黑风高,那就让我们也紫得浓烈一点!



低头沉思,绿得像植物一样!



虽然没有白得像雪,但我很黄……

就像那远方的树梢!



★ TIPS:

同色系的搭配还有一个小技巧,就是用跳色小心机来制造画面亮点,从而达到更加丰富的画面效果。


◆ 大师示范

试想,如果没有蓝色围巾,人物是不是就融进背景里了?


△ Giovanni Boldini作品



小墨汇报演出

所以,当衣服颜色与背景完全一样时,千万不要忘记准备一个亮眼的小装饰!





② 搭配对比色


大师示范


上面提到,纯色或同色系背景给了搭配足够的空间。

比如这张《戴珍珠耳环的少女》,在单色背景下,主角的穿搭使用了蓝色和黄色对比色,让画面看起来极具戏剧张力显得非常鲜活生动。



△ Johannes Vermeer作品



小墨汇报演出


在宾馆房间里,我们很容易找到一面纯色的墙。

比如下面这家宾馆,房间的背景颜色为黄色,因此我选择了蓝色的牛仔上衣。

而草帽上的橘红色和牛仔上衣的红色装饰,正好也成为了画面亮点。



同理,蓝色背景墙和黄色衣服也是一次完美的相遇。



当然还有黑配红:



红配绿:



绿配粉:



紫配黄:



总之,拍摄时把背景颜色放在色相环中一瞅,就能轻松找到它的对比色。

而用衣服的主要色调来完成人物与背景的对比,就能有效地突出主体了。



③ 搭配小花样


在上一个章节我们学习到,补色分割是一种近似对比色的搭配方法,但更加柔和。

如果害怕用力过猛,采用补色分割法搭配会更加稳妥。


◆ 大师示范

比如常见的青绿色系背景,比起直接搭配大面积的红色,搭配棕黄色和粉色会显得更加柔和。

如下图所示,女孩穿着粉色裙子,头戴黄色草帽,与绿色的森林背景一下就分隔开来。

而更值得一提的是,右边女孩的草帽颜色、草帽装饰花朵与裙子的颜色,又是黄、红、粉的相似色。

所以,这张油画看上去格外生动,颜色又不显累赘。


△ Pierre-Auguste Renoir作品


小墨汇报演出

下面这张照片是在西班牙科尔多瓦拍的。

科尔多瓦是个古镇,有很多棕黄色石砌的墙面。

因此,在穿着搭配上我选择了红色、紫蓝色,都是黄色的对比色——紫色,的相似色。

所以,画面虽然能看到明显的色彩对比,但却不会过于夸张。



大师示范

雪景也是一种常见的同色系背景,一般又可以分为白色与蓝色的冷色雪景以及白色偏黄的暖色雪景。

下面举例的这张画是暖色雪景,建筑物的暖光在画面中非常明显。

因此主要人物的穿着也遵循了「补色分割」的搭配法则,用了显眼的红色。


△ Richard Telford作品


◆ 小墨汇报演出

所以,冬季出门就算裹得像个包子,我还是会准备一个红帽子,红围巾,甚至是红包包。

即使是再小的装饰,在纯白色的雪景中也会特别显眼哦!



难度

背景为对比色(如:海滨、建筑等)


有时,我们的拍摄背景,本身就组成了对比色。

比如常见的大海与沙滩,花朵与绿树。

这时,先要恭喜你,因为你将会拍到极具色彩张力的照片。

不过,也要小心,因为这给你的穿着搭配带来了更大的难题。


① 搭配同色系


让我们还是从搭配同色系开始,这种方法简单易上手,失败率低。

不过需要注意的是,假设背景为对比色:黄与蓝。那么如果人物穿着黄色,就要有意把人物置于画面中蓝色背景的部分,这样才能有效地突出主体。


◆ 大师示范

举例来说,下面这幅画中穿着蓝色的主人公,虽然与背景的远山颜色相同,但因为用近处深色的山脊做了人物背景,反而在画面中形成了好几次对比色的效果,更加突出了主体。


△ Tiziano Vecelli作品



◆ 小墨汇报演出

所以,犹豫了很久去东京赏樱穿什么的我,最后选择了白色和粉色的衣服。

目的就是想和大面积的樱花背景成为同色系。

如此一来,只要把人物放在绿叶或者深色枝丫的环境下,就能让樱花与人物和谐共处。




② 搭配另一组对比色


上面提到,「矩形配色」是一种看起来生动活泼,操作起来却需要多动些脑筋的配色方案。

简单来说,只要控制好每个颜色的比例,就能控制好画面的色彩。

反之,画面会显得色彩缤纷,却找不到重点。


◆ 大师示范

很明显,这张画的重点是这个穿红色上衣、紫色裙子的女人。

红色上衣差不多占了画面的三分之一,紫色裙子则是三分之二。

同时,红色的对比色——青色的天空,与紫色的对比色——黄色的大地,也是呈三分之一与三分之二的同等比例在画面中分布。

这样做的好处是,这两组对比色都在各自的区域中完成了他们「碰撞」的任务,因此,画面才会显得生机勃勃却又井然有序。


△ Pino Daeni作品


◆ 小墨汇报演出


下面这张照片是在威尼斯彩色岛拍的。

出发前一天我查了一些彩色岛的照片,发现它本身就充满了很多对比色,甚至是更加复杂的配色方案。

因此,我选了一条黑裙子,不过还是留了一点小心机,就是那条裙子上面有很多彩色的圆点。

这些圆点只占据我衣服颜色的一点点比例,却已经足以形成与环境色彩呼应的效果。



当然,在旅行拍照时,不可能背景都像是棚拍那样提前设计好。

但是,为了实现更加漂亮的画面效果,我们不妨多留心一下环境中的色彩。

比如当我穿了紫色和黄色这对对比色出门,就会特别留意紫色的同色系,以及紫色、黄色、绿色这一组补色分割搭配。

果然,功夫不负有心人,被我们找到这样一片玻璃!

颜色是不是看起来挺舒服?



再看下面这张照片,背景本来就是红、绿对比色,而我穿的是黄、蓝对比色。

虽然这已经形成了矩形配色,但因为两边的配色面积基本相当,不免有一种不搭嘎的感觉。

这时,我瞅见了一块绿色的小板子,迅速用它增加了画面中绿色的面积。



所以,急中生智,巧妙地使用身边有颜色的道具,也是让衣服穿搭看起来更上镜的秘诀哦!


难度

背景为复杂色(如:街景、公园等等)


颜色杂乱的背景其实是最难拍的,而且我们在实际取景时都是有所选择的,因此可以规避掉一些杂乱的颜色。

但以防万一,我们还是有必要讨论一下在这种情况下的穿衣搭配方案。


大师示范

下面这张巴黎街景,乍看之下简直让人头大。

但如果多看两眼,马上就会发现,画面中黄色和红色占有很大的比重。

而这幅画的主人公,穿着的是与背景主要色调同色系的紫色外套。


△ Eugene Galien Laloue作品


所以,如果你眼前所见的颜色非常复杂,不妨先认真找一找画面中的主色调。

以主色调为主要分析对象,再进行刚刚讲到的那些配色方案,依然能在五颜六色的环境中脱颖而出。


◆ 小墨汇报演出


下面这张照片示意的是一种极端情况,即颜色杂乱的街景上停着一辆占据画面三分之二的出租车。

于是……

「粉色见粉色,两眼泪汪汪!」



就这样,走在繁忙人海中的我,常常在进行「找自己」的游戏。

找我的朋友小绿!



找我的亲故大红!



找我的宝贝阿黄!


(摄影师 @阿猴HOSEA 强势出境!)

……

总之,睁大我寻找色彩的小眼睛,

竟发现世界如此美好!

⁄(⁄ ⁄•⁄ω⁄•⁄ ⁄)⁄



内容小结


好了,说了这么多,让我们来简单小结一下:


每个人的穿衣风格和喜欢的颜色都不一样,因此,我认为不应该强行推荐什么样的衣服适合拍照。

不过,通过衣服颜色和背景颜色的合理搭配,我们还是可以总结出一些上镜美衣的规律。


想穿一身好看又上镜的衣服,我们只需要简单三步:

① 在手机里存一张「色相环」的照片

② 提前了解旅行目的地的主色调

③ 按照自己的喜好以及色彩搭配原理,进行创意穿搭


希望这些色彩搭配理论,可以给你灵感,让你在不断的实践中,锻炼出一双擅于发现美的眼睛。

在平凡的日常生活中,也总能找到属于自己的彩虹~~~



如果你喜欢这篇答案,可以点一下小小的爱心,让我知道~

如果你有什么意见建议、问题疑难,欢迎留言讨论!



---------------------1月31日增加部分分割线--------------------

非常感谢热心知友 @知遇 的留言讨论,下面我就再补充一些色相环(color wheel)的更多解释说明。

首先,色彩学远比我解释的要复杂,其中最基础的三原色因为不同的用途,有不同的定义,这个我一开始在文章中没能解释清楚。
我这篇文章是基于三原色为RYB(也就是红色、黄色和蓝色)为基础的色相环举例分析的,但同时其实还有RGB(红色、绿色、蓝色)以及CMY(青色、品红和黄色)为基础的另外两个色相环。

图片来源于:Simple, Practical Color Theory

在一般情况下,RYB模式多用于艺术、绘画与服装设计,RGB多用于屏幕、视频,而CMYK(这里的K表示的是黑色,取了Black的尾字母,没有取首字母是为了避免与Blue的B混淆),主要用于印刷。
本文因为主要讲的是穿着搭配,以及用了很多名画作为示例,所以选了RYB的色相环作为原理基础进行了分析和讲解。
不过其实无论是采用哪种色相环作为基础,我主要想分享的,是色彩搭配的思维——即把自己作为照片中的色彩元素之一,去思考自己的穿搭与背景是否合适这个问题。


希望对大家有用!

再次感谢热心知友认真看完我的答案并且留言讨论。


更多摄影、旅行、生活、艺术内容,欢迎来公众号「小墨与阿猴」(id:xiaomoyuahou)找我们玩哦~




来源:知乎 www.zhihu.com
作者:小墨MO

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载

此问题还有 1075 个回答,查看全部。
延伸阅读:
怎么穿出日系风格?
女生怎么穿会比较帅气?

2018MSI长毛专栏:小组赛第三日——将相无种,君子自强

巴渣嘿殿:MSI小组赛第一循环,闪电狼五胜独占鳌头。RNG再拿下FNC虽然让人松了口气,但逆风翻盘算不得轻松。

长达五天、连续不休的小组赛捉对厮杀,是对队伍体力、状态、意志、战术储备、临场判断和竞技水准的综合较量。当下各方面都最好的那一个,才能踏足巅峰——来谈昨日旌鼓,且待鏖战今夜。


文: @解说长毛 / 巴渣嘿殿 @青熙

整理:丹尼二狗

头图/配图:一村、LOL官方赛事图库




RNG吃下对Liquid的关键一败,基本退出小组第一的竞争。

虽然失败让人失望,Liquid真是打出了超水准表现——如果按满分十分算,他们打出了自己的十二分水准。洛霞组合对上女警莫甘娜开局就被爆,小明也只是在这一场发挥不稳,那么就是大师兄跟olleh的表现完全完全彻底地超出了他想象的范围。


五场比赛,三把败局。

第一把输给KZ,是被对手设计了非常好的开局,毫无破绽的对手再把比赛一路滚到完;第二把输给闪电狼,属于自己把自己套路进去;第三把输TL,自己失误给到对手爆掉。三种输法各有不同,船舱都破在不同的地方,这种情况就不是说"我们赶紧把水捞干就能继续开"——不是这样的,不是这么单一。

很多人说BP不够好,确实,在前两天RNG的BP确实谈不上领先,但输不是就输在BP。至少第三天的BP,相较于第一二天的落后就比较稳——昨天两局霞洛的设计,就是按照他们在季后赛比较得心应手的打法。

大师兄的身后终现"胜利",以RNG作为背景



往年我们批评LPL的队伍,很容易看到特别显眼的缺点,就是那种"老在同一个地方掉链子",比如说战术不好、BP不对、指挥有问题、调动不科学……但现在RNG五战三败,各种输法都有,归结起来四个字:状态不好。

这个"状态不好"表现的是各方面都存在问题,被对手逮住了就是一顿揍,然后输掉比赛。RNG还没把比赛状态磨炼到完美之境,现在的输跟往年LPL队伍特别明显的短板暴露还不一样,现在是:状况频出的"状态不好"——补了车胎掉了轮轴,然后补了轮轴掉了方向盘。

即使是打FNC这一把,若不是FNC党性挺强的,整体表现更差的话,两把都让我们逆风翻过来。收下第二循环的1分至少稳住了前四,不然想想还真是恐怖。


五个登场的选手按第一循环的表现,只有小狗和Letme表现比较稳定。小狗的发挥有目共睹,可以给8分;Letme给到6.5,堪堪及格再多一点;xiaohu、Mlxg和Ming只能给个5.5,对他们自己来说、对LPL的粉丝来说,这也都不能算是及格表现。

因为在后方,所以也只能猜测为什么第三天也没有把karsa放出来透气:或者教练组在这样的情况下,也希望能给香锅在比赛中找回状态的考虑。

幕后的RNG双野"互动"



有人会专门来问我,闪电狼打得好,我是不是高兴?

相信这几年随着大赛一起把我们专栏读下来的读者们,应该也能够接受下你们跟我的这种态度:尽管我和现在这支闪电狼的交集并不多,但他们摧枯拉朽的六连胜,我会很高兴他们完成了对自己的超越——我喜欢看到一支队伍有这样积极的进步。


往年的闪电狼都是起手强势,后面送掉,每次看他们的比赛,他们的粉丝都会很生气。然而今年他们没有犯过去的错误,没有一而再、再而三,一直重复自己过去历史上的一个错误。

在得到强势起手的情况下,现在的闪电狼能够在中期正确地处理,并且滚完雪球到终盘。这样蜕变的队伍,如果说我看了会不会高兴?当然会,就像如果把把TL都能打得像今天第一把那样,作为一个看了这么多年比赛的老人家,我也会替他们感到高兴——老年人就是这样子,就像那句话*里说的一样。

(*PentaQ注:《高亚看球笔记》里写,"一个男人年轻的时候,会喜欢很多女人,会喜欢一支球队;当他成熟的时候,他会喜欢很多球队,和一个女人"——这句话很赞。)

Caps在迄今为止的比赛中,都展现出非常的高水准



昨天在闪电狼连胜后,我也给他们经理发了一个"恭喜":因为这个战绩真的可以说是闪电狼历年来打得最好的一次——这么奶一口,不知道会有什么效果。

尤其是:今天解说的后半程又是我,刚好是电狼和RNG的比赛,真是要了吾的卿命!


闪电狼现在的队伍,并不是个人实力顶尖的那种。比如对越南,wAwA就讲闪电狼的上野并不是强无敌,对比去年SKT拿了Huni和花生这样的顶级选手补位,闪电狼的上野是自己青训选手或韩援里的替补。他们名气都不大,但和队伍的融合不错,整体反应非常好。在打越南的时候,他们也会出现弦没有绷那么紧,入侵送头的操作失误。但是打KZ的时候,他们就全程几乎没有失误。

虽然本届大赛迄今为止,Caps的表现都非常亮眼,但是对不起,有Maple表现这么好的情况下,到第三天为止的最佳中单应该还是Maple的。不管什么类型的英雄……佐伊、加里奥,团队型的、单打型的、前期的、后期的……没有一个Maple不能驾驭,他现在的状态正值顶峰。


新人、名将,这是数年以来最佳表现的闪电狼

新人射手Betty也证明了自己,尤其是KZ那场比赛里,每一波的纳尔都是本届MSI、甚至整个春天看到的最好的纳尔——怒气永远都是在一个非常好的状态,任何要接团的时候看都几乎没有怒气问题,进场的时候也是很卖力的跳+闪现+塞——但Betty和Swordart两个人的配合,一个大嘴一个塔姆,除了Bdd那波神级的闪现反打之外,就是抓不到他。

当大家都在说"四大AD齐聚一堂"的时候,电狼的射手Betty证明了自己。



第一轮的小组赛打完,回头来看的话会有一些比较有趣的东西:

比如打野的食物链,这届比赛的打野食物链明显是男枪,然后巨魔,然后奥拉夫。打野是队伍一个发动机,在这届比赛尤其明显。能不能熟练使用这几个英雄?团队有没有围绕这几个英雄去做一个比较合适的BP设计?在前三天依稀能看出来一些端倪,后面我们可以继续关注下去。

回顾下现在出现过的战术:有前期速攻,有围绕后期adc的四保一,或者双C发育,以及EVS展现出的、甚至比KZ打出来的分带效果还强的"卡蜜儿分带"——那一把要不是Caps神级发挥,FNC也早被EVS带走了。

这次比赛的战术体系,迄今来看非常多变,也让各队发挥的弹性空间蛮大。后两天的比赛关系到淘汰赛的最终名次,BP的攻防会变得大概比前面三天更加激烈。


胜负冷暖,如饮自知

现在看各队实力,当然是直接按纸面排名:电狼第一、KZ第二、RNG第三、FNC第四,EVS和TL不太好排——伯仲之间。闪电狼有更强的BP、有更强的团队协作、战绩也是独领风骚,排第一没毛病。

KZ我觉得还是很强,甚至我至今都没有排除对"KZ还在藏BP"的疑虑。他们肯定会在小组赛最后发力,但至少到昨天,电狼还是要比他们高一级。KZ其实两局输的都是BP上做得蛮轻敌,如果他们绷紧的话,未必会输给FNC和电狼。


电狼6-0是不是就毫无破绽?破绽还是有的——如果能给他们的上野更大的逼迫,让他们就是跟你硬钢个人操作实力的话,其实电狼是可能会出现问题。小组头名是否可能被反超?我始终认为机会是有的。

况且今年无论谁夺冠,对MSI来说这都是新的冠军产生

——将相本无种,君子当自强不息。


PentaQ专栏嘉宾: @解说长毛

真名李伯彦。 2015-2017《英雄联盟》世界总决赛LPL官方解说。

就职于RIOT拳头中国,英雄联盟解说与战队管理。因魔兽世界竞技场选手而加入电竞,《英雄联盟》台湾公司Garena当家解说,14年受腾讯邀请,加入LPL解说阵容。2015年加入RIOT拳头游戏。



来源:知乎 www.zhihu.com
作者:PentaQ刺猬电竞社

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载

C++性能榨汁机之分支预测器(3)

前言

前面两篇文章,我们大体介绍了分支预测器的基本概念及经典实现方法:1. 分支预测器的概念与作用 2. 分支预测器的经典实现方法 ,我们又不参与CPU架构相关的工作,那么我们了解到的分支预测器这些知识用处在哪里呢?或者换句话说,这些知识对我们写程序有什么指导意义吗?

条件判断与循环这些程序基本组成部分是我们写程序必须用到的结构,而条件判断与循环终止判断反映在机器指令上就是条件分支跳转与否,决定着CPU下次取指的地址,所以提高CPU分支判断准确率,降低流水线冲刷频率对我们提高程序性能有着极大的影响。

用C++直观感受分支预测器对程序的影响

  分支预测器是CPU硬件层面的东西,既看不见也摸不着,那我们只能从一段简单的包含循环和条件判断的程序开始,直观的去感受下分支预测器对我们程序的影响。以下这段代码来自Stack OverFlow的一个经典问题:Why is it faster to process a sorted array than an unsorted array? - Stack Overflow ,我做了一点稍微修改,代码如下:

//branch_predictor.cpp #include <vector> #include <chrono> using namespace std;  int main(){     const unsigned arraySize = 32768;     int data[arraySize];     //生成0-255范围的随机数并存入数组data     for(unsigned c = 0;c<arraySize;++c){         data[c] = std::rand() % 256;     }   	//对数组进行排序     std::sort(data,data + arraySize);          auto start = chrono::system_clock::now();     long long sum = 0;     for(unsigned i = 0;i<100000;++i){         for(unsigned c = 0; c < arraySize; ++c){             if(data[c] >= 128){                 sum += data[c];             }         }     }     auto end = chrono::system_clock::now();     auto duration = chrono::duration_cast<chrono::microseconds>(end-start);     double elapsed  = double(duration.count()) * chrono::microseconds::period::num / chrono::microseconds::period::den;     std::cout << "共花费:" << elapsed <<"秒" << std::endl;     std::cout << "sum =" << sum << std::endl; } 

上述程序逻辑很简单,就是使用0-255范围的随机数填充大小为32768的数组data,对data进行排序,循环100000次,每次循环都遍历data数组,并将数组中大于128的数累加到sum变量中。

该程序在我电脑上使用g++默认优化等级编译后,运行结果如下:

如果我们将上面代码中的排序注释掉,即我们不对数组中的数字进行排序,而是直接使用原始的乱序的数组进行100000次累加,得到的运行结果如下:

我们发现同样一段代码,却因为数组中数据是否有序而导致运行时间相差了大约3倍(6.95695 : 20.272),看我们这段代码,逻辑上与数组是否有序是没有任何关系的,无论数组是否有序,for循环里面的if语句进入的次数是一样的,那么到底什么原因导致了程序运行性能跟数据的有序与否有关呢?

没错,就是分支预测器的原因,在本例子中,有序的原始数据被称为对分支预测器友好的数据,而乱序的原始数据便是对分支预测器不友好的数据。对于有序的数据,前n次循环,分支都是不跳转,后m次循环,分支都是跳转,这对于分支预测器来说很好预测,只有在循环开始结束及跳转不跳转分界点容易产生预测错误,所以分支预测的准确度非常高,流水线效率也就更高;而对于无序的数据,每一次数据都有可能大于或者小于128,也就是每次跳转的概率是50%,而且跳转不跳转完全随机,所以分支预测器对于这样的分支跳转的预测准确率很低,无法做出有效的分支预测,导致流水线被频繁冲刷,严重影响了流水线的吞吐量。

从汇编语言层面看分支预测

为了更为充分的理解分支跳转命令在程序中的存在,我们通过g++的汇编指令,看branch_predictor.cpp的汇编级代码是什么样的,在shell中运行如下命令:

g++ -S branch_predictor.cpp 

运行该命令后,g++会将生成的汇编代码branch_predictor.s放在当前文件夹,通过vim查看汇编代码(AT&T格式汇编,不是intel格式):

.L8:     movl    $0, -131104(%rbp) .L7:     cmpl    $32767, -131104(%rbp)     ja  .L5     movl    -131104(%rbp), %eax     movl    -131088(%rbp,%rax,4), %eax     cmpl    $127, %eax     jle .L6     movl    -131104(%rbp), %eax     movl    -131088(%rbp,%rax,4), %eax     cltq     addq    %rax, -131096(%rbp) .L6:     addl    $1, -131104(%rbp)     jmp .L7 .L5: 

为了便于阅读,上述汇编代码并不是完整版代码,只是对应于原始C++代码中关键的遍历数组的汇编代码,对应的C++部分代码是:

for(unsigned c = 0; c < arraySize; ++c){     if(data[c] >= 128){         sum += data[c];     } } 

汇编代码分析:.L8是给循环变量c赋初始值0,.L7部分是循环主体,首先判断c是否大于32767,如果大于32767则跳转到.L5,代表循环结束,否则进入循环体执行判断与累加。这段汇编代码中最最关键的两句汇编命令就是:

cmpl    $127, %eax jle .L6 

判断data[c]是否大于128,如果data[c]大于128,则跳转到.L6,否则继续顺序执行累加操作,分支预测器就是在这里起到了关键作用,如果分支预测器预测会发生跳转,则会从.L6代码段取指,如果预测不跳转,则顺序取指。假设遇到分支指令cmpl时分支预测器预测不会发生跳转,则顺序取指,累加部分指令进入流水线进行译码等操作,等cmpl执行完毕后,发现分支判断运行结果是跳转到.L6,即分支预测错误,则在流水线中的累加部分指令则必须被冲刷掉,然后重新从.L6代码段取指、译码、执行……,如果预测错误出现太频繁,势必会影响到流水线的吞吐量,导致性能下降。

总结

我们上面分别从C++代码层面和汇编代码层面看到了分支预测器是如何影响到程序的运行性能的,也希望能在实际项目中正确的应用以提高程序执行效率,避免写出对分支预测器不友好的分支判断程序。下一篇文章,我将就如何避免分支预测影响程序执行效率讲一点点自己在项目中的心得。



来源:知乎 www.zhihu.com
作者:Root lee

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载

关于瓷砖,你需要知道这些事

地砖是装修中很常用的主材,今天给大家整理一下瓷砖的分类和选购。

瓷砖的分类很多,有室内的、室外的,因为我了解接触到的是家装用的砖,所以我们今天就来说说家装常用的几种砖。

地砖的分类

关于地砖的分类,网上有很多说法,什么抛光砖、釉面砖、玻化砖、通体砖等等,看起来杂乱无章,也不知道到底有什么区别,接下来我就站在从生产和销售的角度,先来为大家分类整理。一家之言,欢迎指教。

第一类:抛釉砖

其实抛光砖、釉面砖这种说法是不专业的,这两种砖本质上没有什么区别,他们有一个统称——抛釉砖,现在市面价常见的抛釉砖有以下几种:全抛釉(最常见用得最多的,地位等于地板中的复合地板)、金刚石、大理石、微晶石、通体大理石(也就是所谓的通体砖,因为烧制工艺更复杂,所以价格应该是最高的,地位等于地板中的实木地板)

第二类:玻化砖,玻化砖是瓷砖里面强度最高的,玻化砖的制作上和抛釉砖制作工艺上也有所不同,一共是两层,一个底丕一个表层,所以种类相对而言没有那么多,常见的有白线石、黄线石等等大约6—7种。

第三类:瓷片,主要是指300mm×300mm、300mm×600mm的厨房卫生间小地砖和墙砖,质地比客厅的大地砖要薄一些,一般分为:亮光、镜面、柔光、哑光几种,价格都不相同,这种砖没有镜面和亮面的,主要是考虑防滑问题。

(这三种种类太多,就不放照片了)

第四类:仿古砖,美式风格里面常用的砖,业界一般叫它水泥砖,这种砖用面积600mm×600mm的,然后加工成各种形状的情况比较多,材质和上面积的砖不同,做法也有区别。

仿古砖

第五类:马赛克砖,在装修中其实用得不多,用到的地方也大多只是简单装饰,所以这里就不展开来说了,放张图大家看看就好。

砖的使用场景

讲完了瓷砖的分类,其实在不同的房间,不同的生活使用场景,砖的种类也会有不同,下面我们根据不同的空间来分开讲解这些砖。

1、客厅

不知道大家观察过没有,客厅铺的地砖,通常是家里地砖规格最大的,一般600mm×600mm或者800mm×800m的,因为客厅一般是家里面积最大的空间,用规格大的地砖会显得更大气,让空间的延展性更好。

2、卧室

卧室砖多用600×600或者500×500的哑光砖,现在很多的仿木纹砖(下图)也非常火,因为现在的人谈甲醛色变,铺实木地板成本太高,维护起来太麻烦,铺性价比高的强化地板呢又担心环保问题,所以披着地板皮的地砖就火起来啦。

木纹砖

3、卫生间、厨房、阳台

这几个地方,通常是家里面积较小的,用的砖也是300mm×300mm或者300mm×600mm的居多,这几个区域一般不建议用大面积的砖,一是因为要安装地漏,小砖方便留出地漏的位置,二是因为这些地方为了方便排水,地面都要求有一定的坡度,砖小一些方便找坡度。

现在厨房比较流行的小白砖、面包砖,小白砖面积通常是100mm×100mm的(下图),面包砖面积通常100mm×200mm(下图),这种砖本身价格并不贵,但是人工费比一般的砖要贵很多,所以这里给大家推荐另一种,伪小方砖、伪面包砖(下图)和仿木纹砖有异曲同工之妙,人工价格要便宜很多。

网红小方砖
网红面包砖


伪小方砖
伪面包砖

地砖的费用

我写防水的时候,经常有朋友问我,某某品牌的防水材料怎么样,但是我并非专业的防水材料销售人员,并不了解市场上的所有材料,所以这次写地砖,我们就换一种方法,用价格来区分(ps:仅限成都装修市场参考)

100元—200元/㎡

这个价格可以作为购买地砖的起步价,这个价格在红星美凯龙或者是富森美家居可能买不到地砖,但是在普通的家装卖场可以随便买到,买到的不一定是大品牌,但是这个价格质量一般不会有什么问题。

200元—300元/㎡

这个价格的砖属于中上水平的的砖,比较常见的罗马*奥、蒙娜*莎等等,这些品牌的中端水平的砖就是在这个价格左右,也是市面上最主流的价格区间,买的人应该是最多的。

300元—500元/㎡

这个价格的砖就属于各大品牌的高端系列了,适合装修需求比较高的客户。

500元/㎡以上

这个价格就是属于奢华系列了,比如仿大理石砖这种,比较常用在别墅等高档装修场所。

注意:上面提到的价格,不包含人工铺贴费用,仅限成都装修市场参考。

地砖购买须知

1、地砖最好不要买加工砖,首先什么是加工砖呢?假如有一款你很喜欢的600mm×600mm的地砖,你想把这个砖用在卫生间,但是尺寸不合适,所以就需要人工把砖裁成合适的尺寸,这种砖就叫做加工砖。

不建议大家买加工砖,是因为现在加工砖的已经费用越来越贵,不意外的话以后会更贵,铺贴的费用再加上加工的费用,成本投入实在太高。还有一个原因,地砖的切割都是人工操作,难免会造成一些尺寸上的误差。

2、尽量少用面积太小或者太大的砖(大于800mm×800mm小于300×300mm)比如前面提到的网红100mm×100mm小白砖,白色的小砖配上黑色的勾缝,颜值确实很高,这种砖本身价格并不是非常贵(因为这种砖知名大品牌一般不生产,都是小厂或者小企业产的)但是人工的价格可以和砖本身的价格持平,另外面积太大的砖也一样,施工和找平都会更难,会增大铺贴成本,人工费也会更高,所以我建议大家少使用,当然不在意价格的朋友可以忽略。

3、砖不是价格越贵越好,我在以前的回答里提到过,购买五金挂件和洁具的时候,要买价格承受范围内最好的,但是地砖不适用这条,像是卫生间或者厨房的墙砖,更多是时候是起到一种防污和装饰作用,几乎不存在磨损,一般的砖完全满足需求,再加上地砖的附加费用,如品牌费、运输费等等费用,价格越贵,真的不一定就是因为地砖本身质量更好,所以买地砖的时候可以多考虑性价比。

4、砖不是越贵越好看,其实很多价格不贵的小品牌砖就蛮好看的,在价格合适的保证质量的基础上,挑选适合自家装修的风格砖,其实没必要非要追求品牌。

5、买砖的时候要考虑到损耗,我们购买砖都是成品砖,在加上砖本身的材质,不管是在运输中还是在施工过程中,都会存在一定的损耗,这个量一般是在5%—8%左右,购买的时候一定要算进去,不要寄希望于二次购买,因为复购不一定能买到同一批货,很可能出现色差,另外一些要做特殊造型或者是异形的砖,损耗率会在10%以上,如果要做造型的话要考虑进去。

6、广东砖不一定就合适你,大家买砖的时候都喜欢问一句"是不是广东砖"广东砖质量好的说法已经深入人心,事实上广东作为地砖发源地,在加上泥的质量也是最好的,砖的质量确实好,但是因为运输问题,广东砖的成本实在太高了,并不划算。

就成都本地而言,其实广东砖的市场份额非常小,买到真的广东砖几率非常小,更多的是四川产的,不过大家也别太担心,制砖工艺这么多年的发展,其实四川本地砖的质量也非常好,不一定就比广东砖差,但是因为不这么说卖不出去,所以商家都说自己的砖是广东砖,其实大家实在没必要过于纠结砖是否是广东砖。

关于砖的介绍就写到这里了,大家喜欢的话可以点赞哦,点赞会给我动力的,有动力了我下次就写关于地板的各种内幕哦~

有任何装修问题,大家可以私信或者留言,看到都会回复。

更多回答:

鲜橙汁儿:3大种类,20多种装修涂料,到底什么是好?

防水工程到底是怎么做的



来源:知乎 www.zhihu.com
作者:鲜橙汁儿

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载

在你的行业里,同行们的焦虑和抑郁状况有多严重?是什么导致了这样的现状?

大家都知道焦虑和抑郁可以去寻求心理学专业人士的帮助,例如心理咨询师、心理治疗师、精神科医生等。这些心理专业人士可以帮助被焦虑和抑郁困扰的人们,但是这不代表他们就能幸免于抑郁和焦虑的侵扰,甚至患上心理疾病都是有可能的。那么心理学专业人士的焦虑和抑郁状况可以有多严重呢?又是什么导致了这样的状况呢?

2016年,英国心理学会(BPS)发布了在英国公立医疗系统(NHS)工作的心理学专业人士的幸福感调查报告,下面我们一一用数据来解答题主的问题。

参与调查的心理学专业人士共有1227人;其中女性占了80%;其中超过75%的参与者为临床心理学家、认知行为治疗师、心理咨询师或心理健康实习者。


心理学专业人士的抑郁

在2016年的调查中,48%的心理学专业人士表示,他们在过去的一周里有一些、大部分时候或总是感到抑郁;在2015年,这个比例是46%;在2014年,这个比例是40%。可以看出抑郁情况是越来越严重的。


心理学专业人士的焦虑

在2016年的调查中,92%的心理学专业人士表示,他们在过去的一周里有一些、大部分时候或总是感到工作压力;在2015年,这个比例是94%;在2014年,这个比例是90%。

关于达成工作目标的压力:在2016年,比例是84%;在2015年,比例是92%;在2014年,比例是90%。


是什么导致了心理学专业人士的高抑郁和高焦虑?

在英国公立医疗系统(NHS)工作的心理学专业人士的处境和个人执业或者在私立机构执业的专业人士是不太一样的。他们面对的是长年队排的老长的来访者或者患者,而且因为经费有限,他们提供服务的次数是有限制的,工作量和强度都非常大。

讲个真人故事:
Rachel是一名临床心理学家,因NHS的工作而患上抑郁症和焦虑症。有一天,她听到她和一个情况比较严重的个案只剩下四节咨询的时候。Rachel感觉十分痛苦,她的来访者——曾被虐待过,从前几次的心理健康服务中脱落——即将再次在这里经历同样的事情。Rachel为此感到十分挫败,因为她必须把服务目标放在来访者需求之前,这和她自己的价值观相左。Rachel作为一个热爱工作、有同情心的心理学专业人士,她的遭遇在NHS里绝不罕见,因此这样的调查结果也不那么令人惊讶了。(Watts, 2016)

除了工作量和目标的巨大压力,心理学专业人士在工作中非常需要的资源、专业和情感支持的不足也是导致这个现状的原因。

延伸阅读:

简单心理Uni:心理咨询师会不会被来访者影响,这是怎样一种体验?

简单心理Uni:心理咨询师如何恢复自己的精神能量?

简单心理Uni:心理咨询师怎样解决自己的心理问题?


以上,是在英国公立医疗系统工作的心理学专业人士的焦虑和抑郁状况,以及导致现状的原因。


参考文献:
Watts. J. (2016, Feb 17). We're not surprised half our psychologist colleagues are depressed. theguardian.com/healthc

学心理咨询,到简单心理Uni: 简单心理Uni - 最有态度的心理咨询学习社群


我们还有公众号哟~ 关注简单心理Uni (微信号:jdxl-uni) ,行业大咖的免费课程、专业咨询文章、读书会、专题课程,与10万+成长中的咨询师一起学习一起飞!


如果你也想运用心理学更好地理解自己和生活,和志同道合的小伙伴不孤独的学习,Seed课程第4期正在限时招募中,6个月,自助式,咨询专业职业双起步必读课程,快来试听看看吧~



来源:知乎 www.zhihu.com
作者:简单心理Uni

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载

此问题还有 59 个回答,查看全部。

从泛化性到Mode Collapse:关于GAN的一些思考

这篇文章是我对我们MAPLE实验室(MAPLE),最近一年半来和GAN相关研究的一个简要的总结。本来是回答一个知乎上的问题的,现在做个简单的整理,做为一篇独立的文章发在这里。

(我们今后会持续分享更多的技术和理论,敢兴趣的朋友可以关注这个知乎帐号)

GAN的研究在最近1-2年内吸引了大量的工作,特别是和应用相关的研究。但相关的理论相对来说还比较少。主要集中在:GAN是否能生成新的样本(泛化性)、如何去评价、比较和量化这种泛化性?以及造成GAN的mode collapse的原因是什么?怎么解?

进一步来说,泛化性和mode collapse这两个问题是独立,还是有本质的联系?


首先,前一个问题"泛化性"是个非常重要的问题,这关系到GAN这类生成模型本身是不是有意义的 -- 它能不能生成和发现的样本和变化模式,而不仅仅是记住已有的样本和模式。

同时,这种泛化能力对提高基于GAN的半监督模型的性能也是非常重要的,因为只要具有泛化能力的模型,才能产生有价值的新样本来增强训练集,并帮助模型通过挖掘出更有信息的类内和类间变化来提高小样本情况下的分类准确度。

第二个问题mode collapse,是在实际应用中真实发生的现象,如何去刻画这个现象的本质,并找出应对之道,也是我们重点关注的。另外,找出mode collapse 和泛化性的关系,通过现象去认识本质,也是今后需要重点关注的方向。

===================================

以下是原文。


目录

一、理论

二、评价指标论

三、基于GAN的流型分析和半监督学习中的应用

四、从几何角度研究Mode collapse问题

五、泛化性和mode collapse 的关系

====================================

一、理论

关于GAN的理论,可以把GAN模型按照正则化、非正则化模型分成两大类。

非正则化包括经典GAN模型以及大部分变种,如f-GAN,Least Square GAN,EBGAN等等。这些模型的共同特点是不对要生成的样本的分布做任何先验假设,尝试去解决一般性的数据样本生成问题。然而,由于缺少正则化的先验条件,其模型的泛化性是存疑的。

换句话来说,泛化性说的是:所有模型都是需要先用有限的训练样本来训练的,那么由这些有限样本训练得到的模型可不可以从这些有限训练样本中生成出新的样本,而非简单地记着训练集

目前看来,无论从理论上还是实践上,非正则化的模型都无法证明他们的泛化能力。

这时候,如果我们给要生成的数据加入一些先验的条件,比如这些"数据的分布密度在空间中变化速度是有限"的这样的条件,是不是就可以解决泛化性的问题。这就是构建正则化GAN的动机。


目前看来,正则化模型的从理论上是成功的,已经从理论上证明了他们的泛化性能。这些模型包括Loss-Sensitive GAN, WGAN等。他们都是基于Lipschitz正则条件。对严格证明感兴趣的朋友可以参看论文 Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities [pdf] 和我们的系列分享

齐国君:条条大路通罗马LS-GAN:把GAN建立在Lipschitz密度上


齐国君:广义LS-GAN(GLS-GAN) :现在 LS-GAN和WGAN都是这个超模型的特例了


随之而来的可以进一步研究的问题是:除了Lipschitz正则化条件,还有没有其他的正则化先验条件,可以从理论上保证泛化性?这个问题比较理论,但对深入理解GAN模型可以做什么和不可以做什么具有非常重要的意义。这点就像很多物理定理一样,都有其适用范围。宣称适用一切条件的方法肯定是不存在的。理解算法的适用范围就是 GAN理论要回答的问题。


二、评价指标


当然,仅仅从理论上分析GAN模型的泛化性是不够的。我们还需要实验去验证他们。很遗憾的是,目前用来衡量不同GAN模型的实验指标都存在很大的问题。比如Inception Score,它用来衡量生成图片的质量,基于的假设是:高质量的图片,用一个分类网络(inception)对它进行分类后得到的类别应该是明确的。遗憾的是,任何一个分类器都很难覆盖所有可能的图片类别、而它的分类准确度也不可能是完美的。而且,即便有这么一个分类器,高inception score从逻辑上也只是个高质量图片的必要非充分条件。


更重要的是,inception score完全不反应模型的泛化性,即生成正式图片的能力。所有第二个可以研究的问题是:我们如何设计一个指标去比较不同GAN模型的泛化能力,这点也是至关重要的。

目前,已经有了一些有益的尝试。比如,同样地在Loss-Sensitive Generative Adversarial Networks on Lipschitz
Densities [pdf]这篇论文里,提出了一个MRE(Minimum Reconstruction
Error)的指标来度量泛化性。


它是这样工作的。在一个数据集上,比如CIFAR-10,把它分成训练集、验证集和测试集三个部分。我们在训练集上训练一个GAN模型,在验证集上调试超参数,这样模型在训练过程中就没有用到任何测试样本。那么,如果GAN有泛化性,它就有能力比较好地去生成这些未见到的测试样本。

下面这份图给出了MRE的测试结果。可以看到,正则化的GAN,包括LS-GAN, GLS-GAN, WGAN, WGAN-GP比非正则话的结果DCGAN要好,而且训练过程更加得稳定,不像DCGAN那里存在不稳定地波动。




图:随训练过程,在测试集上MRE的变化。


同时,如下图结果,从数值上看,GLS-GAN (Generalized Loss-Sensitive GAN),比其他GAN模型,不管正则化的还是非正则化的,就要有更小的MRE误差。这点不难理解,因为其他正则化模型都是它的一个特例。


图:在tiny ImageNet上,最终在测试集上的MRE。越小泛化性越高。


换句话来说,也回到理论问题上,目前的正则化都是基于Lipschiz条件的,GLS-GAN是Lipschiz正则化里最大的一个超类。如下图所示。


图:正则化与非正则化GAN模型。


那么有没有其他的,同样基于Lipschiz正则条件的,不包含在GLS-GAN里的模型,也是一个未解答的问题


显然MRE的思路秉承了一般机器学习问题的评测思路,基于对训练数据、验证数据和测试数据集的划分。


那么,一个新的问题是,有没有更加直接的指标可以不依赖于具体数据集,可以对GAN模型的泛化性进行更加直接地度量


今天先写到这里,后面有时间接着谈一谈GAN在算法和应用方面的可能方向,特别是小训练样本下的思路。


三、基于GAN的流型分析和半监督学习中的作用

接着昨天的讨论。


具有泛化能力GAN的一个重要作用是:我们第一次有了一个比较理想的工具,可以用来表示和描述数据流型(manifold)。之前,如果我们想表示流型,一般是借助于一个图模型(Graph)。在图模型里,我们用节点表示数据点,用边表示数据直接的相似性。有了Graph,我们可以定量计算数据点上函数的变化。比如,在分类问题中,我们感兴趣的函数是分类函数,输出的是数据点的标签。有了基于Graph的流型,我们就可以建立一个分类模型:它输出的分类标签在相似样本上具有最小的变化。这个就是一种平滑性的假设,是基于图的半监督方法的核心假设。



图:基于图的流型表示和半监督分类。



尽管这种基于图的半监督方法取得了很大的成功,但是它的缺点也是很明显的。当数据点数量非常巨大的时候,构建这样一个Graph的代价会非常大。为了解决这个问题, Graph为我们提供了一个很好的基础。通过训练得到的生成器G(z),其实就是一个非常好的流型模型。这里z就是流型上的参数坐标,通过不断变化z,我们就可以在高维空间中划出一个流型结构。


有了这样一个流型和它的描述G,我们可以在数据流型上研究各种几何结构。比如切向量空间、曲率,进而去定义在流型上,沿着各个切向量,函数会如何变化等等。好了,这里GAN就和半监督学习联系起来了。以前我们是用Graph这种离散的结果去研究分类函数的变化,并通过最小化这种变化去得到平滑性假设。


现在,有了流型直接的参数化描述G(z),我们就能直接去刻画一个函数(比如分类问题中的分类器)在流型上的变化,进而去建立一个基于这种参数化流型的半监督分类理论,而非去借助基于图的流型模型。


具体来说,半监督图流型中,我们常用到Laplacian矩阵来做训练;现在,有了参数化的流型后,我们就可以直接定义Laplace-Beltrami算子,从而实现半监督的训练。下面是基于这个方法在一些数据集上得到的结果。更多的结果可以参考这篇论文"Global versus Localized Generative Adversarial Networks"[pdf]。



这里,有个比较精细的问题。通常的GAN模型,得到的是一个全局的参数话模型:我们只有一个z变量去参数化整个流型。事实上,在数学上,这种整体的参数化王是不存在的,比如我们无法用一个参数坐标去覆盖整个球面。这时我们往往要借助于通过若干个局部的坐标系去覆盖整个流型。


同时,使用局部坐标系的另一个更加实际的好处是,我们给定一个目标数据点x后,整体坐标系G(z)要求我们必须知道对应的一个参数坐标z;而使用局部坐标系后,我们就直接可以在x附近去建立一个局部坐标系G(x,z)去研究流型周围的几何结构,而不用去解一个逆问题去去它对应的z了。这个极大地方便了我们处理流型上不同数据点。


图:流型的局部化参数表示。("Global versus Localized Generative Adversarial Networks"[pdf])


沿着这个思路,我们可以利用参数化的局部坐标和它表示的流型来研究一系列问题。

1. 比较理论的研究可以专注于,有了这些局部参数表示,如何去定义出一整套黎曼流型的数学结构,比如局部的曲率,黎曼度量,和如果沿着流型去算测地线和两个数据点之间的测地距离。

2. 从应用的角度,给定了一个图像x,用局部表示G(x,z)可以对这个x在它的局部领域中做各种编辑操作或者控制图像的各种属性。这个可以结合有监督的对局部参数的意义进行训练。


当然,从几何和流型参数化的角度还可以给出对GAN更深入的理解,比如对mode collapse问题。今天先写到这里,后面继续讨论如何从流型collapse 的角度来解释和避免GAN的mode collapse



四、从几何角度研究Mode collapse问题

当然,从几何和流型参数化的角度还可以给出对GAN更深入的理解,比如对mode collapse问题。在GAN的相关研究中,mode collapse是一个被广泛关注的问题。有很多相关的论文在从不同角度来研究和解决这个问题。

而基于Localized GAN所揭示的几何方法,我们可以从流型局部崩溃的角度来

解释和避免GAN的mode
collapse。具体来说,给定了一个z,当z发生变化的时候,对应的G(z)没有变化,那么在这个局部,GAN就发生了mode collapse,也就是不能产生不断连续变化的样本。这个现象从几何上来看,就是对应的流型在这个局部点处,沿着不同的切向量方向不再有变化。换言之,所有切向量不再彼此相互独立--某些切向量要么消失,要么相互之间变得线性相关,从而导致流型的维度在局部出现缺陷(dimension
deficient)。

为了解决这个问题,最直接的是我们可以给流型的切向量加上一个正交约束(Orthonormal
constraint),从而避免这种局部的维度缺陷。下图是在CelebA 数据集上得到的结果。可以看到,通过对不同的切向量加上正交化的约束,我们可以在不同参数方向上成功地得到不同的变化。

上图:在给定输入图像的局部坐标系下对人脸的不同属性进行编辑。

上图:在给定输入图像的局部坐标系下对人脸的不同属性进行编辑。

值得注意的是,尽管我们是从局部GAN的角度推导和实现了对切向量的正交化约束,这个思路和方法同样适用于传统的整体GAN模型。我们只需要在训练整体GAN模型的同时,在每个训练数据样本或者一个batch的子集上也加上这个约束来求取相应的下降梯度就同样可以训练整体GAN模型;这个方向可以引申出未来的相关工作。


五、泛化性和mode collapse 的关系

表面看来,这两个问题是不同的,一个是在研究能不能生成新样本,一个是研究生成样本的多样性。


但从道理上来说,有良好泛化性的模型,因为可以较好的逼近真实样本的分布,所以应该不存在生成样本多样性不足的问题的。


但反之则不然:即便没有mode collapse,也不能保证生成器模型的泛化性。所以从这点让来看,泛化性是个更广义的问题。


从某种意义上,泛化性可以看作是,而mode collapse是它表现出来的现象


但是不是研究mode collapse 就不重要了呢?这个也不是这样子的。对mode collapse这个典型想象的理解,可以有助于为研究生成器的泛化性提供非常有价值的样本。


比如,在发生mode collapse的地方,该点的密度函数显然会存在一个很高的峰值,在这个峰附近,密度函数的Lipschitz常数会变得很大。这个提示我们,通过对生成密度做Lipschitz正则化,是有利于帮助我们解决mode collapse问题,同时提高生成器的泛化性的。LS-GAN的成功也证实了这点。


而另一方面,我们上面介绍的通过对切向量做正交约束,进而防止流型维度缺陷和mode collapse的方法, 是不是也能为我们打开一扇从几何角度提高生成器泛化性的思路呢?这个可以留待后续的研究来揭示。



来源:知乎 www.zhihu.com
作者:齐国君

【知乎日报】千万用户的选择,做朋友圈里的新鲜事分享大牛。 点击下载