[发明专利]一种基于深度卷积神经网络的WGAN模型方法

说明书

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于深度卷积神经网络的WGAN模型方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。判别器每完成一次判断，将结果误差返回给生成器。

然而，在传统的GAN模型中，判别器的损失函数不能指示网络训练的方向，即没有一项指标能够反映生成图像的质量。这种情况导致的结果是，网络将会无休止地训练下去，也就是说，生成对抗网络的训练没有明确的终止条件。

在标准的WGAN模型中，生成器与判别器是传统的全连接层结构，在训练的过程当中，生成器只能通过判别器的损失函数误差反传去修正自身生成的图像。在这种情况下，网络训练的速度比较慢，生成器也没有办法学习到数据集中的特征。如果将深度卷积网络与WGAN相结合，那么网络既能够学习到数据集中的特征，又能够根据判别器损失函数的大小来网络训练的方向，即反映生成图像质量的优劣。

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，构建了一种基于深度卷积神经网络的WGAN模型方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于深度卷积神经网络的WGAN模型方法，所述动态调整算法包括下列步骤：

S1、构造沃瑟斯坦生成式对抗网络WGAN模型，模型包含生成器和判别器；

S2、将判别器构造成深度卷积神经网络结构；

S3、将生成器构造成转置深度卷积神经网络结构；

S4、对判别器的损失函数采取Wasserstein距离的损失函数；

S5、准备数据集，对构造完毕的网络进行训练。

进一步地，所述的步骤S2中判别器的深度卷积神经网络分为若干层，每一层有相应的卷积核，即有相应的权重参数。

进一步地，所述的步骤S3中生成器的转置深度卷积网络层数与判别器的深度卷积神经网络层数相同，并且生成器中每一层的卷积核是判别器中每一层的卷积核的转置。

进一步地，所述的步骤S4中对判别器的损失函数采取Wasserstein距离的损失函数，具体说明如下：

判别器损失函数与传统的生成对抗网络损失函数形式不同；

判别器的损失函数能够反映网络生成图像的质量。

进一步地，所述的步骤S5中，准备数据集，对构造完毕的网络进行训练。具体如下：

准备数据集，其中，所述的数据集是具有同一类型或相似特征图片的集合，数据集的规模应尽可能大，对构造完毕的网络进行训练，将生成器输出生成图像至判别器，判别器作出判断。

本发明相对于现有技术具有如下的优点及效果：

本发明根据Wasserstein距离的概念构造了WGAN中判别器损失函数的形式，能够反映生成样本分布与数据集样本分布的相似程度，从而能够指示整个网络的训练进程，即反映生成图像质量的优劣，具有导向性。

附图说明

图1是WGAN深度卷积神经网络的整体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例公开了一种基于深度卷积神经网络的WGAN模型方法，具体包括下列步骤：

步骤S1、构造沃瑟斯坦生成式对抗网络WGAN模型，模型包含生成器和判别器。

步骤S2、将判别器构造成深度卷积神经网络结构；

将判别器构造成深度卷积神经网络的形式。它分为若干层，每一层有相应的卷积核，即有相应的权重参数。

步骤S3、将生成器构造成转置卷积神经网络结构；

生成器的卷积网络层数与判别器相同，卷积核是判别器卷积核的转置。

步骤S4、对判别器的损失函数采取Wasserstein距离的损失函数。在WGAN中，判别器的损失函数为：