[发明专利]对抗生成神经网络的训练方法及系统

权利要求书

1.一种对抗生成神经网络的训练方法，其特征在于，包括：

建立初始判别神经网络和初始生成神经网络，并将所述初始判别神经网络和所述初始生成神经网络组成初始对抗生成神经网络；

初始化所述初始对抗生成神经网络的参数和所述初始判别神经网络的边界向量，并将所述边界向量作为所述初始判别神经网络的输出层的输出参数，其中，所述边界向量是一个具有预设维度数量的多维向量，所述初始对抗生成神经网络的参数包括所述初始判别神经网络的判别参数和所述初始生成神经网络的生成参数；

获取真实样本集合和随机变量集合，并将所述随机变量集合输入到所述初始生成神经网络中，以生成假样本集合，所述真实样本集合为真实的人脸照片，所述随机变量集合为一组通过标准正太分布取值的随机向量，所述假样本集合为假的人脸图片；

将所述真实样本集合和所述假样本集合输入到所述初始判别神经网络，以得到与所述真实样本集合对应的第一判别输出和与所述假样本集合对应的第二判别输出；

根据预设的判别损失函数L_D＝E[max(0,M-D(x))]+E[max(0,M+D(G(z)))]对所述第一判别输出和所述第二判别输出进行计算以得到判别损失值，其中，L_D表示判别损失值，E表示数学期望值，max(0,M-D(x))表示关于0和M-D(x)的最大值函数，max(0,M+D(G(z)))表示关于0和M+D(G(z))的最大值函数，M表示所述边界向量，D(x)表示所述第一判别输出，D(G(z))表示所述第二判别输出；

根据预设的生成损失函数L_G＝-E[D(G(z))]对所述第二判别输出进行计算以得到生成损失值，其中，L_G表示所述生成损失值；

根据所述判别损失值和所述生成损失值对所述初始对抗生成神经网络的参数进行更新以得到目标对抗生成神经网络。

2.根据权利要求1所述的对抗生成神经网络的训练方法，其特征在于，所述初始判别神经网络的边界向量的初始化，包括：

接收用户发送的初始化指令，以获取所述预设维度数量，并确定所述预设维度数量中的每一个维度；及

根据预设数学分布公式的值域对所述每一个维度进行随机取值，以得到所述边界向量。

3.根据权利要求1所述的对抗生成神经网络的训练方法，其特征在于，所述将所述真实样本集合和所述假样本集合输入到所述初始判别神经网络，以得到与所述真实样本集合对应的第一判别输出和与所述假样本集合对应的第二判别输出，包括：

将所述真实样本集合输入至所述初始判别神经网络中，并根据所述边界向量将与所述真实样本集合对应的第一输出映射为与所述边界向量对应的第一多维向量，得到所述第一判别输出；

将所述假样本集合输入至所述初始判别神经网络中，并根据所述边界向量将与所述假样本集合对应的第二输出映射为与所述边界向量对应的第二多维向量，得到所述第二判别输出。

4.根据权利要求1所述的对抗生成神经网络的训练方法，其特征在于，所述根据所述判别损失值和所述生成损失值对所述初始对抗生成神经网络的参数进行更新以得到目标对抗生成神经网络，包括：

当所述判别损失值大于第一预设阈值时，则对所述判别参数进行更新，以得到目标判别神经网络；

当所述生成损失值大于第二预设阈值时，则对所述生成参数进行更新，以得到目标生成神经网络；

将所述目标判别神经网络和所述目标生成神经网络进行组合，得到所述目标对抗生成神经网络。

5.根据权利要求4所述的对抗生成神经网络的训练方法，其特征在于，所述对所述判别参数进行更新，包括：

根据所述判别损失值，将所述判别参数进行求导，得到第一求导结果，并将所述第一求导结果反向传播，以根据所述第一求导结果更新所述判别参数。

6.根据权利要求4所述的对抗生成神经网络的训练方法，其特征在于，所述对所述生成参数进行更新，包括：

根据所述生成损失值，将所述生成参数进行求导，得到第二求导结果，并将所述第二求导结果反向传播，以根据所述第二求导结果更新所述生成参数。