[发明专利]一种针对高维数据的生成对抗网络训练方法、系统及电子设备

权利要求书

1.一种针对高维数据的生成对抗网络训练方法，其特征在于，包括以下步骤：

步骤a：搭建生成对抗网络骨干结构；

步骤b：使用张量火车分解算法对所述生成对抗网络骨干结构进行张量火车分解；

步骤c：使用真实高维数据训练一个基于张量火车分解的张量自编码器，通过所述张量自编码器输出真实高维数据的空间结构特征；

步骤d：将所述张量自编码器的输出和判别器生成的最后一层特征相结合作为最后一层的输入，对生成对抗网络进行训练。

2.根据权利要求1所述的针对高维数据的生成对抗网络训练方法，其特征在于，在所述步骤a中，所述生成对抗网络骨干结构为基于3D卷积和3D反卷积的生成对抗网络骨干结构。

3.根据权利要求2所述的针对高维数据的生成对抗网络训练方法，其特征在于，在所述步骤b中，所述使用张量火车分解算法对所述生成对抗网络骨干结构进行张量火车分解具体为：将张量火车分解算法引入所述生成对抗网络骨干结构中所有的3D卷积和3D反卷积层，对所述3D卷积和3D反卷积层进行张量火车分解，得到3D-TT-Conv层、3D-TT-deConv层。

4.根据权利要求3所述的针对高维数据的生成对抗网络训练方法，其特征在于，所述对3D卷积进行张量火车分解具体包括：

假设输入三维数据维度为W×H×D，通道数为C，即输入张量：卷积核为：卷积后输出张量：

将输出张量的每个元素写为：3D卷积的公式为：

将输出张量每个通道的维度表示为：

将输入张量转化为大小的矩阵，对应元素变换为：

将卷积核张量转换为大小为的矩阵，对应元素变换为：

将输入矩阵X和卷积核矩阵K进行矩阵乘法，得到大小为W′H′D′×S的输出矩阵Y，将输出矩阵Y还原为输出张量

将张量火车分解应用到卷积核矩阵K：将输入输出维度进行分解：将矩阵K张量化为张量对其进行张量火车分解：

上述公式中：

将输入张量转化为大小为W×H×D×C₁×...×C_d的张量将该张量与卷积核的Tensor-Train矩阵进行运算，得到大小为输出张量：

5.根据权利要求1至4任一项所述的针对高维数据的生成对抗网络训练方法，其特征在于，在所述步骤c中，所述使用真实高维数据训练一个基于张量火车分解的张量自编码器具体为：将张量运算中的n-mode product运算引入自编码器中，使用张量运算中的n-modeproduct运算代替全连接层中输入向量和参数矩阵的matrix multiplication，直接对张量数据的维度进行放大和缩小，提取真实高维数据的空间结构特征。

6.一种针对高维数据的生成对抗网络训练系统，其特征在于，包括：

网络骨干搭建模块：用于搭建生成对抗网络骨干结构；

张量火车分解模块：用于使用张量火车分解算法对所述生成对抗网络骨干结构进行张量火车分解；

张量自编码器训练模块：用于使用真实高维数据训练一个基于张量火车分解的张量自编码器，通过所述张量自编码器输出真实高维数据的空间结构特征；

网络训练模块：用于将所述张量自编码器的输出和判别器生成的最后一层特征相结合作为最后一层的输入，对生成对抗网络进行训练。

7.根据权利要求6所述的针对高维数据的生成对抗网络训练系统，其特征在于，所述生成对抗网络骨干结构为基于3D卷积和3D反卷积的生成对抗网络骨干结构。

8.根据权利要求7所述的针对高维数据的生成对抗网络训练系统，其特征在于，所述张量火车分解模块使用张量火车分解算法对所述生成对抗网络骨干结构进行张量火车分解具体为：将张量火车分解算法引入所述生成对抗网络骨干结构中所有的3D卷积和3D反卷积层，对所述3D卷积和3D反卷积层进行张量火车分解，得到3D-TT-Conv层、3D-TT-deConv层。