持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第3天，点击查看活动详情

一、FID分数简介

FID全称为：Fréchet Inception Distance。

FID分数用于根据预训练网络提取的特征，测量真实图像分布和生成图像分布之间的距离。真实图像在空间中是服从一个分布的（假设为正态分布），而GAN生成的特征也是一个分布，GAN做的事情就是不断训练使这两个分布尽可能的相同。FID就是计算这两个分布直接的距离，使用的距离算法叫做Frechet distance。

1.物理意义：真实图像在空间中是服从一个分布的（假设为正态分布），而GAN生成的特征也是一个分布，GAN做的事情就是不断训练使这两个分布尽可能的相同。FID就是计算这两个分布直接的距离，使用的距离算法叫做Frechet distance。（比较好的还有Wasserstein-2 distance） 2. 假设你有基础的统计学知识，很简单就能明白两个正态分布只要均值和方差相同，则两个分布相同。而我们这里的图像是多维的分布，所以使用协方差矩阵衡量单个分布里两个维度之间的相关性，FID正是用均值和协方差矩阵来计算两个分布之间的距离。3. 上式由两个部分组成，r表示真实图像，g表示生成图像。第一部分中μ 表示分布的均值，第一部分为两个均值 μ 的差的平方。4. 第二部分中，Σ表示协方差，Tr表示迹（矩阵对角线上的元素和），第二部分为协方差矩阵的和减去根号下协方差矩阵的乘积的迹。

FID计算两个分布之间的距离，距离越小代表生成的分布越贴近于真实分布，故FID越小越好。

二、FID分数 CUB定量实验步骤

与IS类似，计算FID中我们也同样使用inception network网络，由30k或50k的真实和生成的图像样本计算，使用预先训练的Inception-v3模型的最后一个池化层的激活来获得视觉特征。

2.1、下载FID计算代码

github下载：github.com/MinfengZhu/…

将其放入code目录中

2.2、下载FID预训练好的模型

谷歌云盘链接：drive.google.com/file/d/1747… CSDN链接：FID训练好的模型 针对CUB-birds的FID预训练模型

下载后是一个npz文件，将其放入指定文件夹位置

2.3、输入终端命令

打开终端，输入命令为：python fid_score.py --gpu 0 --batch-size 24 --path1 eval/FID/bird_val.npz --path2 ../test/valid/single 其中后面的两个参数path1代表你放FID预训练的模型所在位置，path2代表你放生成的图片的位置。

运行后显示：

2.4、注意事项

1、计算FID一般需要30000张生成图像，如果只有3000张是测不准的； 2、计算FID的标准方法目前还不统一，用不用imagenet 预训练的参数测出来的FID也不一样，本篇仅仅是一种做法，目前看来可能还不够严谨，仅供参考。 3、FID的评价指标有很高的偏差，需要相同数量的样本进行公平比较。且其基于特征提取，也就是依赖于某些特征的出现或者不出现，因此无法描述这些特征的空间关系。例如用GAN去生成人脸，如果嘴巴长在眼睛上面，FID可能也会认为它是一张较好地生成结果。另外其面临着与IS相同的问题，因为它依赖于在ImageNet上预先训练的分类器。不适合在内部差异较大的数据集上使用，无法区分过拟合。