一种基于深度卷积神经网络的WGAN模型方法技术

本发明专利技术公开了一种基于深度卷积神经网络的WGAN模型方法，属于深度学习神经网络领域，该方法包括以下步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型；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。本方法根据生成对抗网络模型的特点，创造性地提出了深度卷积神经网络与WGAN相结合的构造方式，将生成器与判别器构造成深度卷积神经网络的形式，同时使用WGAN的损失函数形式，既能在训练的过程上学习图像特征，又能根据损失函数的大小反映生成图像质量的优劣。

【技术实现步骤摘要】
一种基于深度卷积神经网络的WGAN模型方法
本专利技术涉及深度学习神经网络
，具体涉及一种基于深度卷积神经网络的WGAN模型方法。
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。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WG本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的方法包括下列步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型，该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为采取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。

【技术特征摘要】
1.一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的方法包括下列步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型，该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为采取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。2.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，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。3.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，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...

【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