【技术实现步骤摘要】
图像生成方法、神经网络的压缩方法及相关装置、设备
本申请涉及人工智能
,特别涉及一种图像生成方法、神经网络的压缩方法及相关装置、设备。
技术介绍
随着深度学习技术的发展,神经网络(neuralnetwork,NN)、深度神经网络(deepneuralnetworks,DNN)等机器学习模型已经被应用于各种领域中,例如,图片分类、物体检测、语音识别等。通常训练得到的机器学习模型具有大量复杂的网络结构,包含大量的模型参数,因此,机器学习模型的运行需要巨大的计算资源,难以直接应用到手机、平板电脑、车载单元(onboardunit,OBU)、摄像头等小型移动设备上,此时,需要对机器学习模型进行的压缩,以降低机器学习模型对计算资源需求,加速机器学习模型的运行。现有的神经网络的压缩和加速算法常常基于该待压缩机器学习模型的训练样本来计算,然而,在现实生活中,真实训练样本往往受到隐私政策或法律的保护,不可被第三方获得。此外,需要被压缩的机器学习模型的结构也常常是不可见的,只有输入和输出的接口被提供。因而,在真实训练样本不可获得的情况下,大部分神经网络的压缩技术没有办法使用。因此,如何生成训练样本?这是一个在无真实训练样本的情况下实现神经网络的压缩亟待解决的技术问题。现有技术中通常使用生成式对抗网络(generativeadversarialnetworks,GAN)来实现训练样本的生成,GAN通常包括生成器和判别器,通过这两个网络互相博弈学习,从而产生更好的输出。其中,生成器捕捉真实训练样本的潜在分布,并生成新的样本;判别器是一个二分类器,用于判别输入样本是真实样本 ...
【技术保护点】
1.一种图像生成方法,其特征在于,包括:将第一矩阵输入初始图像生成器,得到生成图像,所述初始图像生成器为深度神经网络;将所述生成图像输入预设判别器,得到判别结果,其中,所述预设判别器是经过第一训练数据训练得到的,所述第一训练数据包括真实图像和所述真实图像对应的分类;根据所述判别结果更新所述初始图像生成器,得到目标图像生成器;将第二矩阵输入所述目标图像生成器,得到样本图像。
【技术特征摘要】
1.一种图像生成方法,其特征在于,包括:将第一矩阵输入初始图像生成器,得到生成图像,所述初始图像生成器为深度神经网络;将所述生成图像输入预设判别器,得到判别结果,其中,所述预设判别器是经过第一训练数据训练得到的,所述第一训练数据包括真实图像和所述真实图像对应的分类;根据所述判别结果更新所述初始图像生成器,得到目标图像生成器;将第二矩阵输入所述目标图像生成器,得到样本图像。2.根据权利要求1所述的方法,其特征在于,所述判别结果包括所述生成图像被预测为M个分类中每一个分类的概率,M为大于1的整数。3.根据权利要求2所述的方法,其特征在于,所述根据所述判别结果更新所述初始图像生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,将所述最大概率对应的分类确定为所述生成图像的真实结果;根据所述判别结果与所述真实结果的差异更新所述初始图像生成器。4.根据权利要求2所述的方法,其特征在于,在所述根据所述判别结果更新所述初始图像生成器之前,所述方法还包括:通过所述预设判别器提取所述生成图像的特征;所述根据所述判别结果更新所述初始图像生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,将所述最大概率对应的分类确定为所述生成图像的真实结果;根据所述判别结果与所述真实结果的差异以及所述特征更新所述初始图像生成器。5.根据权利要求2所述的方法,其特征在于,所述根据所述判别结果更新所述初始图像生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,将所述最大概率对应的分类确定为所述生成图像的真实结果;根据与N个所述第一矩阵一一对应的N个判别结果,得到所述M个分类中每一个分类在所述N个判别结果中的概率平均值,N为正整数;根据所述判别结果与所述真实结果的差异以及所述概率平均值更新所述初始图像生成器。6.根据权利要求2所述的方法,其特征在于,在所述根据所述判别结果更新所述初始图像生成器之前,所述方法还包括:通过所述预设判别器提取所述生成图像的特征;所述根据所述判别结果更新所述初始图像生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,将所述最大概率对应的分类确定为所述生成图像的真实结果;根据与N个所述第一矩阵一一对应的N个判别结果,得到所述M个分类中每一个分类在所述N个判别结果中的概率平均值;以及,根据所述判别结果与所述真实结果的差异、所述特征的特征值以及所述概率平均值更新所述初始图像生成器。7.一种神经网络的压缩方法,其特征在于,包括:获取样本图像,所述样本图像是通过如权利要求1-6任一项所述的图像生成方法生成的,其中,所述预设判别器为待压缩神经网络;将所述样本图像输入到所述待压缩神经网络,得到所述样本图像对应的分类;根据所述样本图像和所述样本图像对应的分类对所述待压缩神经网络进行压缩,得到压缩后的神经网络,其中,所述压缩后的神经网络的参数少于所述待压缩神经网络的参数。8.一种图像处理方法,其特征在于,包括:接收输入图像;将所述输入图像输入到压缩后的神经网络,通过所述压缩后的神经网络对所述输入图像进行处理,得到处理结果,其中,所述压缩后的神经网络是通过如权利要求7所述的神经网络压缩方法得到的;输出处理结果。9.一种样本生成方法,其特征在于,包括:将第一矩阵输入初始样本生成器,得到第一生成样本,所述初始样本生成器为深度神经网络;将所述第一生成样本输入预设判别器,得到判别结果,其中,所述预设判别器是经过第一训练数据训练得到的,所述第一训练数据包括真实样本和该真实样本对应的分类;根据所述第一生成样本的判别结果更新所述初始样本生成器的参数,得到目标样本生成器;将第二矩阵输入目标样本生成器,得到第二生成样本。10.根据权利要求8所述的方法,其特征在于,所述判别结果包括所述第一生成样本被预测为M个分类中每一个分类的概率,M为大于1的整数。11.根据权利要求9所述的方法,其特征在于,所述根据所述判别结果更新所述初始样本生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,将所述最大概率对应的分类确定为所述第一生成样本的真实结果;根据所述判别结果与所述真实结果的差异更新所述初始样本生成器。12.根据权利要求9所述的方法,其特征在于,在所述根据所述判别结果更新所述初始样本生成器之前,所述方法还包括:通过所述预设判别器提取所述第一生成样本的特征;所述根据所述判别结果更新所述初始样本生成器,具体包括:确定所述M个分类中各个分类对应的概率中的最大概率,...
【专利技术属性】
技术研发人员:陈汉亭,王云鹤,刘传建,韩凯,许春景,
申请(专利权)人:华为技术有限公司,
类型:发明
国别省市:广东,44
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。