The invention discloses a method for text generation based on WGAN, which belongs to the depth of field of neural network learning, the method comprises the following steps: S1 structure, Wasserstein generative network against WGAN model; S2, prepare text data sets for training; S3, use of the text data encoder, encoding S4, random structure; the noise output text acquisition generator; S5, the output text generator and data set after encoding text input arbiter, training network. According to the characteristics of this method against network model generation, creatively put forward the way to construct the convolutional neural network combined with WGAN, for the first time disclosed training against the network generated text, break through the previous generation against the network model is the image function.
【技术实现步骤摘要】
一种基于文本生成的WGAN方法
本专利技术涉及深度学习神经网络
,具体涉及一种基于文本生成的WGAN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,多数是让生成对抗网络模型完成生成图像的功能,并未任何涉及生成文本的对抗网络训练方式。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷,公开了一种基于文本生成的WGAN方法,该方法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,实现了生成文本的对抗网络训练方式。本专利技术的目的可以通过采取如下技术方案达到:一种基于文本生成的WGAN方法,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,模型包含生成器和判别器;S2、准备文本数据集进行训练;S3、利用编码器,对将文本数据进行编码;S4、构造随机噪声,获取生成器的输出文本;S5、将生成器的输出文本与数据集编码之后的文本输入判别器,进行网络训练。进一步地,所述的步骤S2中的文本数据集要求是属于同一类型的内容,例如均描写景物或故事等。进一步地,所述的步骤S4中构造随机噪声,获取生成器的输出文本,具体过程如下:S41、将随机 ...
【技术保护点】
一种基于文本生成的WGAN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、准备文本数据集进行训练;S3、利用编码器,对文本数据进行编码;S4、构造随机噪声,获取生成器的输出文本;S5、将生成器的输出文本与数据集编码之后的文本输入判别器,进行网络训练。
【技术特征摘要】
1.一种基于文本生成的WGAN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、准备文本数据集进行训练;S3、利用编码器,对文本数据进行编码;S4、构造随机噪声,获取生成器的输出文本;S5、将生成器的输出文本与数据集编码之后的文本输入判别器,进行网络训练。2.根据权利要求1所述的一种基于文本生成的WGAN方法,其特征在于,所述的生成器的卷积网络层数与所述的判别器的卷积网络层数相同,并且生成器的卷积核是判别器的卷积核的转置。3.根据权利要求1所述的一种基于文本生成的WGAN方法,其特征在于,所述的文本数据集是属于同一类型的内...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。