[发明专利]一种减少生成对抗网络模式崩溃的方法

权利要求书

1.一种减少生成对抗网络模式崩溃的方法，其特征在于：包括以下步骤：

1)构建GMN-GAN网络，所述GMN-GAN网络包括高斯混合模型M、高斯混合噪声变量生成器V、样本生成器G和判别器D；

所述高斯混合噪声变量生成器的个数与图像数据集中的图像类别数量c相等，第i个高斯混合噪声变量生成器V_i由图像数据集中的第i类图像经高斯混合模型M拟合生成，1≤i≤c；高斯混合噪声变量生成器的输出作为样本生成器的输入，样本生成器的输出作为判别器的输入，判别器输出层的输出单元数量设定为图像类别的数量，一个输出单元对应着一个不同的类别；

所述高斯混合模型M的概率密度函数定义如下：

其中，x是图像样本数据集，f(x|μ_k,∑_k)是第k个分量，其特征是具有均值向量μ_k和协方差矩阵∑_k的多变量高斯分布，K是分量的总数，w_k是混合权重，且满足等式协方差矩阵∑_k可以是全值矩阵或对角矩阵；

所述样本生成器G的损失函数定义如下：

其中y_i表示第i类图像样本对应的且已经过one-hot编码处理的标签，m表示样本数量，表示与标签y_i对应的第i类高斯混合噪声变量生成器，表示由标签y_i对应的第i类高斯混合噪声变量生成器生成的噪声变量，表示噪声经过样本生成器G后的输出，表示样本生成器生成的样本经过判别器D后的输出；

所述判别器D的损失函数定义如下：

其中D(x_i)表示用于训练网络的真实样本数据经过判别器D后的输出，其中x_i是图像样本数据集中的一个真实图像样本，n是样本数据个数，d是样本数据维度；图像样本数据集X对应的并经过one-hot编码处理标签为Y，

所述样本生成器G和判别器D通过以下损失函数进行极大极小化博弈：

式中p_r是用于训练网络的真实样本数据的分布，p_z是样本生成器G生成的假样本数据的分布；

2)对GMN-GAN网络进行训练，其包括以下步骤：

a)从原始训练集中采样一批图像数据X，标签为Y；根据标签Y选择对应的高斯混合噪声变量生成器V生成高斯混合噪声变量Z，并将高斯混合噪声变量Z输入至样本生成器G生成一批假数据X_f；

其中：

其中V_i∈M，M为高斯混合模型；z(V_i)代表V_i生成的高斯混合噪声变量，j是高斯混合噪声变量的维度；

b)将真实数据X输入到判别器D中，得到神经网络最后一层输出向量D_x，将其与one-hot编码后的真实标签Y_valid输入到判别器D的损失函数中计算D的一部分损失D_loss_1；将高斯混合噪声变量Z输入到判别器D中得到输出向量D_z，将其与判别为假的标签Y_fake输入到判别器D的损失函数中计算其另一部分损失D_loss_2，将两部分损失的和(D_loss_1+D_loss_2)作为判别器D的整体损失，后经过梯度反向传播更新判别器D的参数权重；

c)将高斯混合噪声变量Z输入到判别器D中得到输出向量D_z，将其与判别为真的标签Y_valid输入到样本生成器G的损失函数中计算其损失G_loss，后经过梯度反向传播更新G的参数权重；

d)不断重复a)、b)、c)步骤，直至达到预设的迭代轮次，以完成样本生成器G的训练。