一种生成对抗网络的训练分析方法技术

本发明专利技术适用于机器视觉技术领域，尤其涉及一种生成对抗网络的训练分析方法。本发明专利技术通过建立孤立点模型；通过所述孤立点模型对所述真实样本分布中的真实点附近的行为进行分析，判断生成对抗网络训练过程中的局部是否稳定；通过所述孤立点模型对所述生成对抗网络训练过程中错误的局部极小值和近似模式崩溃进行分析；通过所述孤立点模型分析与所述真实点隔离的生成点会发生的情况；通过所述孤立点模型分析核宽度在所述生成对抗网络的训练中的作用。通过孤立点模型可以解耦联合更新生成器和鉴别器的生成对抗网络中核的训练动态，分析其稳定的局部平衡和坏的局部极小值，分析出核宽度在生成对抗网络联合训练中的重要作用。

【技术实现步骤摘要】

本专利技术适用于机器视觉，尤其涉及一种生成对抗网络的训练分析方法。

技术介绍

1、生成对抗网络(generative adversarial network，gan)是在无监督的情况下学习复杂和结构化数据的生成模型最广泛使用的方法。事实上，gan在图像生成、语音生成、文本生成等众多领域都取得了令人难以置信的经验成功。以这种方式训练的模型在下游应用中也变得至关重要，在gan方法中，生成器被训练为输出目标数据集的样本，被称之为真实样本，鉴别器的鉴别模型被训练来区分真实的和生成的样本，生成器被并行训练以欺骗鉴别器。但是正确地调整鉴别器和生成器的联合训练是gan的关键挑战之一。

2、为了解决这一问题，研究人员通过精细的超参数优化和启发式的组合来解决这一问题，但是缺少分析和优化gan训练的理论依据。

3、因此亟需一种新的生成对抗网络的训练分析方法来解决上述问题。

技术实现思路

1、本专利技术提供一种生成对抗网络的训练分析方法，旨在解决调整生成对抗网络中鉴别器和生成器的联合训练的困难问题。

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分析方法，其特征在于，所述训练分析方法包括以下步骤：

2.如权利要求1所述的生成对抗网络的训练分析方法，其特征在于，所述真实样本分布的计算公式如下：

3.如权利要求2所述的生成对抗网络的训练分析方法，其特征在于，所述生成样本分布的计算公式如下：

4.如权利要求3所述的生成对抗网络的训练分析方法，其特征在于，所述核鉴别器的更新方式满足以下计算公式：

5.如权利要求4所述的生成对抗网络的训练分析方法，其特征在于，所述生成器的更新方式满足以下计算公式：

6.如权利要求5所述的生成对抗网络的训练分析方法，其特征...

【技术特征摘要】

1.一种生成对抗网络的训练分析方法，其特征在于，所述训练分析方法包括以下步骤：

2.如权利要求1所述的生成对抗网络的训练分析方法，其特征在于，所述真实样本分布的计算公式如下：

3.如权利要求2所述的生成对抗网络的训练分析方法，其特征在于，所述生成样本分布的计算公式如下：

4.如权利要求3所述的生成对抗网络的训练分析方法，其特征在于，所述核鉴别器的更新方式满足以下计算公式：

5.如权利要求4所述的生成对抗网络的训练...

【专利技术属性】
技术研发人员：李泽辉，杨海东，王华龙，吴均城，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：