[发明专利]一种基于生成对抗网络的逐层更新算法

说明书

本发明公开了一种基于生成对抗网络的逐层更新算法，属深度学习神经网络领域，包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN模型；S2、输入图像数据集，对DCGAN模型进行训练；S3、记录图像生成器逐层转置卷积得到的特征图；S4、记录图像判别器逐层卷积得到的特征图；S5、比较特征图的差值，用梯度下降方法对图像生成器的权值参数进行更新。传统方法只关注图像生成器生成图像的最终结果，导致图像生成器需要通过更多的训练时间才能学习到数据集的特征，同时无法准确学习到数据集中特征的细节；而本方法逐层地对图像生成器学习到的特征进行调整，既减小了训练时间，又能够让图像生成器学习到的图像特征更加精确。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络的逐层更新算法。

背景技术

生成对抗网络是根据“博奕论”的思想提出的。在这个模型当中，构建了图像生成器和图像判别器两种器件，图像生成器通过接收的随机噪声生成图像，而图像判别器同时接收数据集和图像生成器的生成图像，对两者进行真假判别并输出结果。图像生成器根据图像判别器输出的结果进一步修正自己的生成图像。如此往复地进行训练，图像生成器能够学习到数据集中的特征，从而能够生成令图像判别器无法识别真假的图像。

在传统的模型中，图像判别器接收的是图像生成器最终生成图像的结果，而忽略了图像生成器在构造图像过程中所学习到的特征。这种做法，使得图像生成器需要通过更多的训练时间，才能够学习到数据集中更多的特征；另外，只关注图像生成器最终的结果，使得图像生成器学习到的图像特征不够精确。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，公开了一种基于生成对抗网络的逐层更新算法。

本发明的目的可以通过采取如下技术方案达到：

一种基于生成对抗网络的逐层更新算法，所述动态调整算法包括下列步骤：

S1、构造深度卷积生成式对抗网络DCGAN模型，所述模型包含记录图像生成器和记录图像判别器，采用交叉熵函数作为双方的损失函数；

S2、输入图像数据集，对所述DCGAN模型进行训练；

S3、所述记录图像生成器逐层转置卷积得到第一特征图；

S4、所述记录图像判别器逐层卷积得到第二特征图；

S5、比较所述第一特征图和所述第二特征图的差值，利用梯度下降方法对所述记录图像生成器的权值参数进行更新。

进一步地，用于对所述DCGAN模型进行训练的输入图像数据集需满足以下条件：

(1)数据集中的图像需要有共同的特征；

(2)数据集的规模需要满足模型训练要求；

(3)数据集的图像需要有相同的像素值。

进一步地，所述步骤S3、所述记录图像生成器逐层转置卷积得到第一特征图的具体过程如下：

S31、确定记录图像生成器中转置卷积的层数N；

S32、对于每一层转置卷积之后的结果，将特征图保存记录为Xi，即为第一特征图。

进一步地，所述步骤S4、所述记录图像判别器逐层卷积得到第二特征图的具体过程如下：

S41、确定记录图像判别器中逐层卷积的层数M；

S42、对于每一层卷积之后的结果，将特征图保存记录为Y_i，即为第二特征图。

进一步地，所述S5、比较所述第一特征图和所述第二特征图的差值，利用梯度下降方法对所述记录图像生成器的权值参数进行更新的具体过程如下：