一种基于DCGAN性能的动态调整算法制造技术

本发明专利技术公开了一种基于DCGAN性能的动态调整算法，属于深度学习信号处理领域，该动态调整算法包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN；S2、利用图像数据集对网络进行训练；S3、利用网络损失函数定义生成器和判别器性能；S4、根据生成器和判别器性能定义网络生成图像的能力；S5、实时监控网络训练，实现网络性能的动态调整。本方法能够实时地对DCGAN的性能进行监控，实现了网络生成图像能力的动态调整，保证了生成器和判别器能力的均衡提升，避免了网络训练过程中出现“模式崩溃”的情况，从而让DCGAN生成图像的质量得到保证。

【技术实现步骤摘要】
一种基于DCGAN性能的动态调整算法
本专利技术涉及深度学习信号处理
，具体涉及一种基于DCGAN性能的动态调整算法。
技术介绍
生成式对抗网络(GenerativeAdversarialNetwork,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。利用判别器的返回误差，生成器对自身模型进行进一步的改善，生成质量更高的图像，当生成器无法辨别图像来自于数据集还是生成器时，就认为生成器已经达到“以假乱真”的能力。整个网络框架，实际上是生成器和判别器互相对抗的过程，双方的能力相互提升，随着训练次数的增加，生成器能够生成各式各样的符合文本描述的照片，而判别器也能够更加准确地识别输入图像的真假。然而，值得注意的是，对于生成器和判别器的“能力”，并没有统一的衡量标准，这意味着整个网络的训练可以一直持续下本文档来自技高网...

【技术保护点】
一种基于DCGAN性能的动态调整算法，其特征在于，所述动态调整算法包括下列步骤：S1、采用深度卷积神经网络CNN作为生成器和判别器的生成式对抗网络GAN，构造深度卷积生成式对抗网络DCGAN；S2、利用图像数据集对网络进行训练；S3、利用生成器和判别器的网络损失函数定义生成器和判别器性能；S4、根据生成器和判别器的性能定义网络生成图像的能力；S5、实时监控网络训练，实现网络生成图像能力的动态调整。

【技术特征摘要】
1.一种基于DCGAN性能的动态调整算法，其特征在于，所述动态调整算法包括下列步骤：S1、采用深度卷积神经网络CNN作为生成器和判别器的生成式对抗网络GAN，构造深度卷积生成式对抗网络DCGAN；S2、利用图像数据集对网络进行训练；S3、利用生成器和判别器的网络损失函数定义生成器和判别器性能；S4、根据生成器和判别器的性能定义网络生成图像的能力；S5、实时监控网络训练，实现网络生成图像能力的动态调整。2.根据权利要求1所述的一种基于DCGAN性能的动态调整算法，其特征在于，所述的步骤S2具体如下：在网络训练的初始阶段，随机初始化所有的参数和权重，然后利用梯度下降的方法对参数不断进行调整。3.根据权利要求1所述的一种基于DCGAN性能的动态调整算法，其特征在于，所述的步骤S3中采用交叉熵函数分别作为生成器和判别器的网络损失函数，该交叉熵函数如下：式中：C为损失函数的总称，n为样本个数，y为实际输出，a为期望输出。4.根据权利要求1所述的一种基于DCGAN性能的动态调整算法，其特征在于，所述的步骤S4中将生成器和判别器的损失函数的...

【专利技术属性】
技术研发人员：周智恒，李立军，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44