[发明专利]一种基于分段损失的生成对抗网络方法

摘要

一种基于分段损失的生成对抗网络方法，步骤如下：1、参数初始化：设批大小m＝100，超参数k＝1，用Xavier方法进行参数初始化，确定最大迭代次数和损失切换迭代次数参数T，令迭代次数epoch＝0；2、训练判别器参数：令i＝1，i为循环变量；3、训练生成器参数；epoch＝epoch+1，判断epoch是否大于最大迭代次数，如小于最大迭代次数，则重复步骤2和3，如满足，则训练结束。该方法能实现生成器在不同的训练阶段采用不同形式的损失函数，一定程度上弥补了单一损失形式下GAN理论的不足，使网络训练更加稳定；通过引入真实样本与生成样本之间特征级损失，使判别器提取的特征更加鲁棒。

主权项

1.一种基于分段损失的生成对抗网络方法，其特征在于，包括以下步骤：步骤1：参数初始化：批大小m＝100，即每一次参数更新时所需的样本数；设超参数k＝1，即训练判别器k次才训练生成器1次；对数损失和特征损失权重分别为α＝β＝0.5；用Xavier方法进行参数初始化；根据数据集确定最大迭代次数和损失切换迭代次数参数T；令迭代次数epoch＝0；步骤2：训练判别器参数：令i＝1，变量i是一个循环变量；(1)抽取m个来自噪声分布Pnoise(z)的随机样本{z(1),z(2)……z(m)}，抽取m个来自真实样本分布的无标签样本{x(1),x(2)……x(m)}，抽取m个来自真实样本分布的带标签的样本{(xl(1),y(1))，(xl(2),y(2))……(xl(m),y(m))}；(2)计算判别器的无监督损失Cunsup：(3)计算判别器的监督损失Csup：(4)通过Adam优化算法更新判别器的参数：(5)判断循环变量是否等于参数k，若小于k则重复步骤2，直至满足条件为止；若等于k，则转至下一步；步骤3：训练生成器参数：(1)抽取m个来自噪声分布Pnoise(z)的随机样本{z(1),z(2)……z(m)}，抽取m个来自真实样本分布的无标签样本{x(1),x(2)……x(m)}；(2)计算生成器的特征级损失Vfeature(x,z)：(3)计算时间参数w(t)：w(t)＝exp[‑10*(1‑t)2]，t等于当前epoch与转换切换次数参数T的比值；(4)计算生成器的对数损失Vlog(z)：(5)通过Adam优化算法更新生成器的参数：步骤4:epoch＝epoch+1；判断epoch是否大于最大迭代次数，如小于最大迭代次数，则重复步骤2和步骤3，如满足，则训练结束。