生成对抗网络的训练方法和系统、电子设备和存储介质技术方案

本申请公开了一种生成对抗网络的训练方法和系统。所述生成对抗网络包括多个生成网络和多个判别网络，每一个所述生成网络连接多个判别网络，所述方法包括：基于所述生成网络生成图片；利用连接于所述生成网络的多个判别网络判断所述图片为真实图片或生成图片的概率；依据判断出的真实图片或生成图片的概率选择所述生成网络对应的指定判别网络；根据所述指定判别网络更新所述多个生成网络的参数。

Training methods and systems, electronic devices and storage media for generating countermeasures network

【技术实现步骤摘要】
【国外来华专利技术】生成对抗网络的训练方法和系统、电子设备和存储介质
本公开实施例涉及深度学习领域，具体涉及一种生成对抗网络的训练方法和系统、电子设备和存储介质。
技术介绍
生成对抗网络(GAN,GenerativeAdversarialNetworks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成网络和判别网络的互相博弈学习产生相当好的输出。在目前，生成对抗网络具有广泛的应用，例如包括图像生成、图像转换、去水印、语义分割、高分辨率图片生成等。但是，但是在目前的应用中仍然目前存在至少两个问题：1，生成对抗网络训练时收敛比较困难；需要使用大量的训练数据，例如基于高维向量生成图片，对其进行训练；2，生成高分辨率的图片比较困难；需要不断地提高生产对抗网络的精度，在模型的精度足够高时，生成的高分辨率图片才能满足要求。上述对问题的发现过程的描述，仅用于辅助理解本公开的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
为了解决现有技术存在的至少一个问题，本公本文档来自技高网...

【技术保护点】
1.一种生成对抗网络的训练方法，所述生成对抗网络包括多个生成网络和多个判别网络，每一个所述生成网络连接多个判别网络，其特征在于，所述方法包括：/n基于所述生成网络生成图片；/n利用连接于所述生成网络的多个判别网络判断所述图片为真实图片或生成图片的概率；/n依据每一个所述判别网络判断出的真实图片或生成图片的概率选择所述生成网络对应的指定判别网络；/n根据所述指定判别网络更新所述多个生成网络的参数。/n

【技术特征摘要】
【国外来华专利技术】1.一种生成对抗网络的训练方法，所述生成对抗网络包括多个生成网络和多个判别网络，每一个所述生成网络连接多个判别网络，其特征在于，所述方法包括：
基于所述生成网络生成图片；
利用连接于所述生成网络的多个判别网络判断所述图片为真实图片或生成图片的概率；
依据每一个所述判别网络判断出的真实图片或生成图片的概率选择所述生成网络对应的指定判别网络；
根据所述指定判别网络更新所述多个生成网络的参数。


2.根据权利要求1所述的生成对抗网络的训练方法，其特征在于，所述多个生成网络具有相同的结构和不同的初始参数；所述多个判断网络具有相同的结构和不同的初始参数。


3.根据权利要求1所述的生成对抗网络的训练方法，其特征在于，在基于所述生成网络生成图片的步骤之前，所述方法还包括：
判断所述生成对抗网络是否满足训练目标；
其中，所述训练目标包括：针对所述生成对抗网络的每一个生成网络，其连接的任意一个判别网络所判断出的图片为真实图片的概率或为生成图片的概率均收敛。


4.根据权利要求1所述的生成对抗网络的训练方法，其特征在于，
所述指定判别网络基于更新后的生成网络所生成的图片确定。


5.根据权利要求1所述的生成对抗网络的训练方法，其特征在于，所述依据判断出的真实图片或生成图片的概率选择所述生成网络对应的指定判别网络的步骤包括：
选择判断结果为真实图片概率最低或生成图片概率最高的判别网络为指定判别网络。


6.根据权利要求1所述的生成对抗网络的训练方法，其特征在于...

【专利技术属性】
技术研发人员：于海泳，于立冬，
申请(专利权)人：驭势上海汽车科技有限公司，
类型：发明
国别省市：上海;31