Inception score是衡量GAN生成数据的好坏的标准，如它的名字一样，基于inception v3的模型。架构可见Google的Inception v3 Guide，其中有一张完整的架构图。

针对我们GAN生成的图片，我们套用一个预先训练好的Inception模型来获得概率分布 。我们希望我们的GAN生成接近真实的数据，同时也希望GAN生成多样的数据，所以我们希望概率分布有着低entropy，以及有着高entropy。

于是我们的评分机制为：

KL代表Kullback–Leibler divergence，用于衡量两个概率分布间的距离，

具体的代码可参见论文团队的GitHub Repo页，阅读需要一些numpy的基础。

FID是在IS的基础上的改良版。我们令分别代表GAN生成数据的概率分布和来自"real-world"的概率分布，分别为的均值和协方差，分别为

的均值和协方差。我们从Inception v3的最后一个层的activation中获取以上的数据。

然后我们基于Fréchet distance：

然后我们希望这个距离越小越好。

以下为来自论文团队GitHub Repo的代码（有个人删减）

以下是个人娱乐用的尝试，128*128的图片，A组为云，B组为星空

结果得出，距离很远。

如果将A组图片一分为二，然后计算自身与自身的距离，得出

Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler, Sepp Hochreiter - GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium

Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen - Improved Techniques for Training GANs

bioinf-jku/TTUR - https://github.com/bioinf-jku/TTUR/blob/master/FIDvsINC/fid.py

openai/improved-gan - https://github.com/openai/improved-gan/blob/master/inception_score/model.py

THE END.