[发明专利]逐层逆化识别模型的生成模型训练方法

权利要求书

1.一种逐层逆化识别模型的生成模型训练方法，其特征在于，包括如下步骤：

S10，将深度学习图像识别模型按层拆解，从深度学习图像识别模型的最后输出层到最初输入层按顺序选取选定层；

S20，将训练样本图片输入深度学习图像识别模型，获取深度学习图像识别模型中选定层的输入和最后输出层的输出；

S30，将最后输出层的输出和预设的随机种子拼接成生成种子，对选定层之后的各层进行逆化，得到选定层的生成模块，将生成种子输入生成模块，获取生成模块的输出；

S40，将生成模块的输出输入深度学习图像识别模型的后部分模型，得到生成识别结果，计算生成识别结果与最后输出层的输出的分类损失，得到生成模块第一损失函数；其中，所述后部分模型包括选定层之后的所有层组成的模型；

S50，获取生成模块获取过程中得到的对抗模块，将生成模块的输出输入到总对抗模块中，得到生成对抗输出，将选定层的输入输入到总对抗模型中，得到真实对抗输出；其中，总对抗模块包括对抗模块以及在此之前得到的对抗模块；

S60，根据生成对抗输出和第一损失函数计算生成模块的第二损失函数，根据第二损失函数更新生成模块参数，根据生成对抗输出和真实对抗输出，计算对抗模块的第三损失函数，根据第三损失函数更新对抗模块参数；

S70，重复执行步骤S20至步骤S60，直至对抗模块无法分辨生成模块的输出与训练样本图片的真实值区别为止；

S80，重复执行步骤S10至步骤S70，直至逆化深度学习图像识别模型的各层为止。

2.根据权利要求1所述的逐层逆化识别模型的生成模型训练方法，其特征在于，所述第一损失函数包括：

L_cls＝-∑l_i×log(p_i)，

其中，l_i是类别one-hot编码的元素，p_i是分类器输出的属于第i类的概率，L_cls表示第一损失函数。

3.根据权利要求2所述的逐层逆化识别模型的生成模型训练方法，其特征在于，所述p_i的确定公式包括：

p_i＝C(G_k(G_0...k-1(z|c)))，

其中，z是随机种子，c是类别编码，z|c表示二者拼接在一起形成一个长向量，z作为生成种子，输入到之前循环中已经训练好的生成模块G_0...k-1，最后再输入到生成模块G_k，然后数据传入分类器C进行分类。

4.根据权利要求1所述的逐层逆化识别模型的生成模型训练方法，其特征在于，所述第二损失函数包括：

L_G＝L_cls-∑log(D_0...k(G_k(G_0...k-1(z|c)))，

其中，D_0...k是对抗模块与之前循环中已经训练好的对抗模块头尾相接得到的模块，z是随机种子，c是类别编码，z|c表示二者拼接在一起形成一个长向量，z作为生成种子，输入到之前循环中已经训练好的生成模块G_0...k-1，最后再输入到生成模块G_k，然后数据传入分类器C进行分类，L_G表示第二损失函数。