[发明专利]一种基于原始生成对抗网络模型的分组卷积方法

说明书

本发明公开了一种基于原始生成对抗网络模型的分组卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、设定分组数量N，使神经网络的卷积在N个GPU上进行；S5、将N个特征图进行融合，更新损失函数，进行后续训练。本方法构建的基于分组卷积的深度卷积对抗网络模型，对卷积进行了分组，使其在多个GPU中同时进行，最后将卷积的结果进行融合，从而大大地减少了参数量，提高了整个网络训练的效率。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于原始生成对抗网络模型的分组卷积方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，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。

在传统的对抗网络模型中，所有的卷积操作都只在单个GPU中进行，在这种情况下，整个网络训练的参数量十分巨大，每次训练之后都需要对庞大的参数量进行更新，训练的效率较为低下。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于原始生成对抗网络模型的分组卷积方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于原始生成对抗网络模型的分组卷积方法，所述的分组卷积方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像并输入至判别器进行网络训练；

S2、构造包含N个卷积核的神经网络充当生成器与判别器的功能；

S3、初始化随机噪声，输入生成器中；

S4、设定分组数量N，使神经网络的卷积在N个GPU上进行；

S5、将N个特征图进行融合，更新损失函数，进行后续训练。

进一步地，所述的卷积核和所述的GPU的数量N是根据数据集图像特征的复杂程度进行设置。

进一步地，所述的步骤S4过程如下：

S41、设定分组数量N；

S42、将卷积分配到N个GPU上同时进行。

进一步地，所述的步骤S5过程如下：

S51、收集各个分组GPU卷积之后的特征图；

S52、将N个特征图进行融合，更新损失函数，进行后续训练。

进一步地，所述的损失函数的表达式为：

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度。

本发明相对于现有技术具有如下的优点及效果：

本发明公开的基于原始生成对抗网络模型的分组卷积方法，对卷积进行了分组，使其在多个GPU中同时进行，最后将卷积的结果进行融合，从而大大地减少了参数量，提高了整个网络训练的效率，相比传统的对抗网络模型具有高效性。

附图说明

图1是本发明中原始生成对抗网络通过空洞卷积进行训练的整体流程图；

图2是将卷积层分组进行卷积的示意图。