[发明专利]生成对抗网络优化方法及电子设备在审
申请号: | 202110546995.1 | 申请日: | 2021-05-19 |
公开(公告)号: | CN115374899A | 公开(公告)日: | 2022-11-22 |
发明(设计)人: | 孙国钦;郭锦斌;吴宗祐 | 申请(专利权)人: | 富泰华工业(深圳)有限公司;鸿海精密工业股份有限公司 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08 |
代理公司: | 深圳市赛恩倍吉知识产权代理有限公司 44334 | 代理人: | 刘丽华 |
地址: | 518109 广东省深圳市龙华新区观澜街道大三*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 生成 对抗 网络 优化 方法 电子设备 | ||
本申请公开了一种生成对抗网络优化方法及电子设备,涉及生成对抗网络技术领域。本申请的生成对抗网络优化方法包括:确定生成器的第一权重与判别器的第二权重,第一权重与第二权重相等,第一权重用以表示生成器的学习能力,第二权重用以表示判别器的学习能力;交替迭代训练生成器与判别器,直至生成器与判别器均收敛。本申请能够平衡生成器和判别器的损失,使得生成器和判别器具有相同的学习能力,从而提高生成对抗网络的稳定性。
技术领域
本申请涉及生成对抗网络技术领域,具体涉及一种生成对抗网络优化方法及电子设备。
背景技术
生成对抗网络(Generative Adversarial Network,GAN)由生成器和判别器构成,通过生成器和判别器的对抗训练来使得生成器产生的样本服从真实数据分布。训练过程中,生成器根据输入的随机噪声生成样本图像,其目标是尽量生成真实的图像去欺骗判别器。判别器学习判别样本图像的真伪,其目标是尽量分辨出真实样本图像与生成器生成的样本图像。
然而,生成对抗网络的训练自由度太大,在训练不稳定时,生成器和判别器很容易陷入不正常的对抗状态,发生模式崩溃(Mode collapse),导致生成样本图像的多样性不足。
发明内容
鉴于此,本申请提供一种生成对抗网络优化方法及电子设备,能够平衡生成器和判别器的损失,使得生成器和判别器具有相同的学习能力,从而提高生成对抗网络的稳定性。
本申请的生成对抗网络优化方法包括:确定生成器的第一权重与判别器的第二权重,所述第一权重与所述第二权重相等,所述第一权重用以表示所述生成器的学习能力,所述第二权重用以表示所述判别器的学习能力;交替迭代训练所述生成器与所述判别器,直至所述生成器与所述判别器均收敛。
在本申请实施例中,所述学习能力与所述第一权重或所述第二权重呈正相关关系。
本申请的电子设备包括存储器及处理器,所述存储器用以存储计算机程序,所述计算机程序被所述处理器调用时,实现本申请的生成对抗网络优化方法。
本申请通过梯度下降法迭代更新生成器的第一权重与判别器的第二权重,随着训练周期的加长动态调整生成器与判别器的学习率,直至所述生成器的损失函数与所述判别器的损失函数均收敛,从而得到最优的权重。所述第一权重与所述第二权重相等,使得所述生成器和所述判别器具有相同的学习能力,从而提高生成对抗网络的稳定性。
附图说明
图1是生成对抗网络的示意图。
图2是神经网络的示意图。
图3是生成对抗网络优化方法的流程图。
图4是电子设备的示意图。
主要元件符号说明
10 生成对抗网络
11 生成器
12 判别器
z 噪声样本
x 数据样本
D 真假判别的概率
20 神经网络
y 输出
W1、W2、W3 权重
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于富泰华工业(深圳)有限公司;鸿海精密工业股份有限公司,未经富泰华工业(深圳)有限公司;鸿海精密工业股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110546995.1/2.html,转载请声明来源钻瓜专利网。