[发明专利]一种对抗生成网络的处理方法和装置

说明书

本申请公开了一种对抗生成网络的处理方法和装置，其中方法包括：将预置对抗生成网络中全连接层的参数矩阵转换为张量，得到参数张量；对参数张量进行张量环分解，得到若干个核张量；将核张量转化为矩阵，得到核矩阵；将核矩阵替换预置对抗生成网络中全连接层的参数矩阵，得到新的对抗生成网络，解决了现有的对抗生成网络存在参数多和计算量大所导致的对硬件设备要求高的技术问题。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种对抗生成网络的处理方法和装置。

背景技术

近几年，卷积神经网络在图像分类、人脸识别和目标检测等领域应用非常广泛，随着卷积神经网络层数的增加，计算复杂度越来越高，计算量也越来越大，为了避免网络的过拟合问题，训练深度卷积神经网络时，需要更多的训练数据。而收集大量的训练数据需要大量的人力、物力和时间，不能很快的获得大量的训练数据，为了解决这些问题，现有技术中采用对抗生成网络(Generative Adversarial Networks，GAN)来进行数据扩充。

对抗生成网络属于深度学习在无监督中的应用，对抗生成网络的主要任务是自动生成一些连人类都无法判别真假的图像或视频等，GAN主要由两部分组成，一部分是生成器，另一部分是判别器，生成器用于生成以假乱真的图像或视频，判别器用于分辨生成的图像或视频是否是真实的图像或视频，生成器和判别器相互博弈，在博弈的过程中，生成器生成的数据越来越真实，判别器分辨数据真假的能力也越来越高，最终达到平衡。然而，生成器和判别器实质上是由深度卷积神经网络的卷积层和全连接层构成的，因此，也存在参数多和计算量大的问题，对硬件设备要求较高。

发明内容

本申请提供了一种对抗生成网络的处理方法和装置，用于解决现有的对抗生成网络存在参数多和计算量大所导致的对硬件设备要求高的技术问题。

有鉴于此，本申请第一方面提供了一种对抗生成网络的处理方法，包括：

将预置对抗生成网络中全连接层的参数矩阵转换为张量，得到参数张量；

对所述参数张量进行张量环分解，得到若干个核张量；

将所述核张量转化为矩阵，得到核矩阵；

将所述核矩阵替换所述预置对抗生成网络中全连接层的参数矩阵，得到新的对抗生成网络。

优选地，所述将所述核张量转化为矩阵，得到核矩阵，具体包括：

在所有所述核张量中选取一个目标核张量进行经典模2展开，得到第一目标矩阵；

将所述第一目标矩阵与所有所述核张量中的非目标核张量进行合并操作，得到合并后的张量；

对所述合并后的张量进行经典模2展开，得到第二目标矩阵；

对所述第二目标矩阵进行reshape操作，得到与所述全连接层的参数矩阵大小一样的核矩阵。

优选地，所述将所述第一目标矩阵与除所述目标核张量之外的所有所述核张量进行合并操作，得到合并后的张量，具体包括：

将所述第一目标矩阵乘以所有所述核张量中的非目标核张量，得到合并后的张量。

优选地，所述将预置对抗生成网络中全连接层的参数矩阵转换为张量，得到参数张量，具体包括：

基于双射将预置对抗生成网络中全连接层的参数矩阵转换为张量，得到参数张量。

优选地，所述将预置对抗生成网络中全连接层的参数矩阵转换为张量，得到参数张量，之前还包括：

获取所述预置对抗生成网络。

本申请第二方面提供了一种对抗生成网络的处理装置，包括：