[发明专利]一种基于判别器共享的生成对抗网络组织结构及其训练方法

权利要求书

1.一种基于判别器共享的生成对抗网络组织结构，其特征在于：包含一个判别器和多个生成器，每个生成器均与判别器组成一个生成对抗网络结构；

对于每个生成器而言，其输入为随机潜在变量z，输出为生成数据G(z)，且G(z)与目标数据集x具有相同的数据结构；进行参数更新时，生成器接收判别器输出的反馈结果，求解得到生成器的更新参数；

判别器的输入In包括目标数据集x和每个生成器的输出，判别器的输出为实数值，所述实数值表示数据In来自目标数据集x的可能性；进行参数更新时，判别器根据数据标签和自身输出的反馈结果，求解得到判别器的更新参数；所述数据标签表示数据来源为目标数据集x或生成器的输出数据。

2.根据权利要求1所述一种基于判别器共享的生成对抗网络组织结构，其特征在于：生成器进行参数更新时，采用的求解方法为随机梯度下降、基于动量的优化或均方根反向传播方法；判别器进行参数更新时，采用的求解方法为随机梯度下降、基于动量的优化或均方根反向传播方法。

3.根据权利要求1所述一种基于判别器共享的生成对抗网络组织结构，其特征在于：每个生成器均与判别器组成GAN结构、ACGAN结构或WGAN结构。

4.一种权利要求1所述基于判别器共享的生成对抗网络的训练方法，其特征在于：采用异步训练方法，包括以下步骤：

步骤1：初始化生成器编号i＝1，生成器编号i为[1,n]之间的正整数，表示当前选择的生成器编号，n为生成器的个数；

步骤2：初始化单步判别器训练次数j＝1；单步判别器训练次数j为[1,k]之间的整数，k表示在生成器和判别器交替训练过程中，生成器每更新一次参数，判别器需要更新k次参数；

步骤3：从生成器G_i的输入变量z_i的分布中随机采样m个样本z_i⁽¹⁾，…，z_i^(m)；从目标数据集分布p_data中随机取出m个样本x⁽¹⁾，…，x^(m)；根据判别器代价函数公式

解算更新判别器参数θ^(D)，其中为生成器G_i的参数，D(x^(l))表示输入为x^(l)时的判别器输出，表示输入为时的判别器输出，为生成器G_i的输出；

步骤4：判断单步判别器训练次数j是否小于k，若j<k，则j自加1，返回步骤3继续执行判别器单步训练，若j＝k，则进入步骤5；

步骤5：从生成器G_i的输入变量z_i的分布中随机采样m个样本z_i⁽¹⁾，…，z_i^(m)；根据生成器代价函数公式

解算更新生成器G_i参数

步骤6：判断生成器编号i是否小于n，若i<n，则i自加1，返回步骤2，对下一个生成器执行判别器与生成器的交替训练；若i＝n，则进入步骤7；

步骤7：判断是否达到训练终止条件，若达到，异步训练结束，若未达到，返回步骤1，迭代执行以上过程。

5.根据权利要求4所述基于判别器共享的生成对抗网络的训练方法，其特征在于：步骤5中解算更新生成器参数时，采用的求解方法为随机梯度下降、基于动量的优化或均方根反向传播方法；步骤3中解算更新判别器参数时，采用的求解方法为随机梯度下降、基于动量的优化或均方根反向传播方法。