一种深度卷积对抗生成网络的训练方法及训练系统技术方案

本申请公开了一种深度卷积对抗生成网络的训练方法，包括将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数C；将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。通过将参数集空间表示为一系列紧密的权值向量，可以简化卷积的计算过程，使深度卷积对抗生成网络可以从少量样本中学习新的类型，因此少量的迭代训练就可以获得更高的精度，训练效率也得到了提升。本申请还公开了一种深度卷积对抗生成网络的训练系统。

A training method and training system for deep convolution against generation network

The invention discloses a method for training a depth generation network convolution against, including the parameter set according to the correlation parameter between the execution of dictionary training operation, to get a dictionary, D index I and the coefficient of C; the D dictionary, the I index and the C coefficient is expressed as convolution kernel W, convolution kernel W perform conversion operation using the convolution, convolution formula obtained by the convolution formula; generating execution against network operation, get generator G. The parameter space is expressed as a series of compact weight vector calculation process can simplify convolution, the convolutional network can be generated against from small samples to learn new types, so few iterative training can get higher accuracy, the training efficiency is improved. This application also discloses a training system for deep convolution against generating networks.

【技术实现步骤摘要】
一种深度卷积对抗生成网络的训练方法及训练系统
本申请涉及计算机
，特别涉及一种深度卷积对抗生成网络的训练方法及训练系统。
技术介绍
随着人工智能技术的发展，计算机视觉领域中应用的人工智能技术越来越成熟，尤其是在图像分类、目标检测以及目标识别的应用中。人工智能的学习训练方法的性能也越来越高。一般的人工智能的学习方法分为监督学习和非监督学习，在监督学习领域中，可以使用对抗生成网络进行学习。使用对抗生成网络进行图像分类、目标检测以及目标识别具有较好的效果。但对抗生成网络训练起来非常不稳定，经常会使得生成器产生没有意义的输出。因此对抗生成网络进行改进，将有监督学习中的卷积神经网络和无监督学习中的生成对抗网络结合到一起，使卷积神经网络的网络拓扑结构设置了一系列的限制来使得对抗生成网络可以稳定训练。而深度卷积对抗生成网络中存在的参数量过多，对内存和计算量要求很高，甚至学习过程中的计算量已经远远超出了大多数计算平台的承载能力，导致训练速度下降，效率变低。因此，如何提高深度卷积对抗生成网络的训练效率，是本领域技术人员所关注的问题。
技术实现思路
本申请的目的是提供一种深度卷积对抗生成网络的训练方法，通过将参数集空间表示为一系列紧密的权值向量，可以简化卷积的计算过程，使深度卷积对抗生成网络可以从少量样本中学习新的类型，因此少量的迭代训练就可以获得更高的精度，训练效率也得到了提升。本申请还公开了一种深度卷积对抗生成网络的训练系统。为解决上述技术问题，本申请提供一种深度卷积对抗生成网络的训练方法，包括：将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数C；将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。可选的，所述将参数集根据参数之间的关联性执行字典训练操作，得到字典、索引以及系数，包括：对所述参数集执行深度卷积对抗生成网络操作，得到实际输出；根据所述参数集的所述参数之间的关联性执行关联操作，得到原始字典、原始索引以及原始系数；对原始字典、原始索引以及原始系数执行深度卷积对抗生成网络操作，得到原始输出；将所述实际输出与所述原始输出执行误差计算操作，得到调整值；将原始字典、原始索引以及原始系数根据所述调整值执行调整操作，得到所述字典D、所述索引I以及所述系数C。可选的，所述将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积运算操作，得到卷积公式，包括：对所述字典D、所述索引I以及所述系数C执行卷积核表示操作，得到利用所述对进行变换操作，得到根据S[i,:,:]＝X*D[i,:]对所述执行带入操作，得到作为所述卷积公式。可选的，所述利用所述卷积公式执行生成对抗网络学习操作，得到生成器G，包括：将初始生成器根据卷积公式执行生成操作，得到伪数据；将判别器根据真实数据和伪数据执行判别操作，得到判别结果；将所述初始生成器根据所述判别结果执行迭代优化操作，得到生成器G。本申请还提供一种深度卷积对抗生成网络的训练系统，包括：字典获取模块，将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数C；卷积转换模块，将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；对抗生成模块，利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。可选的，所述字典获取模块包括：实际输出获取单元，对所述参数集执行深度卷积对抗生成网络操作，得到实际输出；原始字典获取单元，根据所述参数集的所述参数之间的关联性执行关联操作，得到原始字典、原始索引以及原始系数；原始输出获取单元，对原始字典、原始索引以及原始系数执行深度卷积对抗生成网络操作，得到原始输出；误差调整值获取单元，将所述实际输出与所述原始输出执行误差计算操作，得到误差调整值；调整操作单元，将原始字典、原始索引以及原始系数根据所述调整值执行调整操作，得到所述字典D、所述索引I以及所述系数C。可选的，所述卷积转换模块包括：卷积核表示单元，对所述字典D、所述索引I以及所述系数D执行卷积核表示操作，得到变换操作单元，利用所述对进行变换操作，得到卷积公式获取单元，根据S[i,:,:]＝X*D[i,:]对所述执行带入操作，得到作为所述卷积公式。可选的，所述对抗生成模块包括：伪数据生成单元，将初始生成器根据卷积公式执行生成操作，得到伪数据；判别结果获取单元，将判别器根据真实数据和伪数据执行判别操作，得到判别结果；迭代优化处理单元，将所述初始生成器根据所述判别结果执行迭代优化操作，得到生成器G。本申请所提供的一种深度卷积对抗生成网络的训练方法，包括：将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数D；将所述字典D、所述索引I以及所述系数D表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。由于在深度卷积对抗生成网络中，很多参数之间的相关性很强，因此通过分析参数集之间的关联性，得到字典、索引以及系数，可以使用字典、索引以及系数表示权值向量，也就是将参数集空间表示为一系列紧密的权值向量，可以简化卷积的计算过程，使深度卷积对抗生成网络可以从少量样本中学习新的类型，因此少量的迭代训练就可以获得更高的精度，训练效率也得到了提升。本申请还提供一种深度卷积对抗生成网络的训练系统，具有上述有益效果，在此不再做赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种深度卷积对抗生成网络的训练方法的流程图；图2为本申请实施例提供的一种深度卷积对抗生成网络的训练方法的对抗生成网络的计算流程图；图3为本申请实施例提供的一种深度卷积对抗生成网络的训练方法的字典训练操作的流程图；图4为本申请实施例提供的一种深度卷积对抗生成网络的训练方法的生成对抗网络学习操作流程图；图5为本申请实施例提供的一种深度卷积对抗生成网络的训练系统的框图。具体实施方式本申请的核心是提供一种深度卷积对抗生成网络的训练方法及训练系统，通过将参数集空间表示为一系列紧密的权值向量，可以简化卷积的计算过程，使深度卷积对抗生成网络可以从少量样本中学习新的类型，因此少量的迭代训练就可以获得更高的精度，训练效率也得到了提升。本申请还公开了一种深度卷积对抗生成网络的训练系统。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。请参考图1，图1为本申请实施例提供的一种深度卷积对抗生成网络的训练方法的流程图。本实施例提供的一种深度卷积对抗生成网络的训练方法，可以包括：S101，将参数集根本文档来自技高网...

【技术保护点】
一种深度卷积对抗生成网络的训练方法，其特征在于，包括：将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数C；将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。

【技术特征摘要】
1.一种深度卷积对抗生成网络的训练方法，其特征在于，包括：将参数集根据参数之间的关联性执行字典训练操作，得到字典D、索引I以及系数C；将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积换算操作，得到卷积公式；利用所述卷积公式执行生成对抗网络学习操作，得到生成器G。2.根据权利要求1所述的方法，其特征在于，所述将参数集根据参数之间的关联性执行字典训练操作，得到字典、索引以及系数，包括：对所述参数集执行深度卷积对抗生成网络操作，得到实际输出；根据所述参数集的所述参数之间的关联性执行关联操作，得到原始字典、原始索引以及原始系数；对原始字典、原始索引以及原始系数执行深度卷积对抗生成网络操作，得到原始输出；将所述实际输出与所述原始输出执行误差计算操作，得到调整值；将原始字典、原始索引以及原始系数根据所述调整值执行调整操作，得到所述字典D、所述索引I以及所述系数C。3.根据权利要求2所述的方法，其特征在于，所述将所述字典D、所述索引I以及所述系数C表示为卷积核W，利用所述卷积核W执行卷积运算操作，得到卷积公式，包括：对所述字典D、所述索引I以及所述系数C执行卷积核表示操作，得到利用所述对进行变换操作，得到根据S[i,:,:]＝X*D[i,:]对所述执行带入操作，得到作为所述卷积公式。4.根据权利要求3所述的方法，其特征在于，所述利用所述卷积公式执行生成对抗网络学习操作，得到生成器G，包括：将初始生成器根据卷积公式执行生成操作，得到伪数据；将判别器根据真实数据和伪数据执行判别操作，得到判别结果；将所述初始生成器根据所述判别结果执行迭代优化操作，得到生成器G。5.一种深度卷积对抗...

【专利技术属性】
技术研发人员：刘怡俊，林裕鹏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44