[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

说明书

本申请涉及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。包括：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。本申请使生成对抗网络具备直接生成高维数据的能力，同时减少网络的参数量，使网络的训练更加稳定，并提高生成数据的质量和多样性。

技术领域

本申请属于生成对抗网络训练技术领域，特别涉及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。

背景技术

生成对抗网络的主要作用是用一个假的分布通过不断地学习去拟合真实分布，随着深度学习的发展，生成对抗网络可以用于生成类似于真实世界的东西，例如：图片、音乐、文章等。目前，生成对抗网络广泛应用于数据集增强、生成人脸照片、医学图像转换、超分辨率等领域，它的发展潜力十分巨大。

申请号“201910287274.6”的发明专利中提供了一种生成对抗网络的稳定训练方法，包括：将训练图像输入自编码器中进行处理，得到第一生成图像；基于训练图像与第一生成图像之间的损失值，训练得到预训练的生成器；基于训练图像和经预训练的生成器生成的第二生成图像，对预训练的生成器和判别器进行训练，并基于训练结束时对应的生成器和判别器，得到生成对抗网络。

另一申请号“201811461559.9”的发明专利中提供了一种生成式对抗网络装置及其训练方法。该生成式对抗网络装置包括生成网络和判别网络。生成网络配置为根据输入数据生成第一样本；判别网络与生成网络耦接，且配置为接收第一样本，并基于第一样本进行训练；生成网络包括第一忆阻器阵列作为第一权重值阵列。该生成式对抗网络装置可以省略对生成网络生成的假样本添加噪声的过程，从而节省训练时间，降低资源消耗，提高生成式对抗网络的训练速度。

综上所述，现有的生成对抗网络仍存在以下缺陷：

1、难以训练、很不稳定。生成器和判别器之间很难达到一个良好的相互促进的状态，实际训练中，判别器很容易收敛，但生成器很难训练。

2、模式崩塌。生成对抗网络在学习中很容易陷入模式崩塌的状态，即生成器总是生成类似的样本，无法继续学习。

3、目前的生成对抗网络难以直接生成复杂的高维数据。目前的生成对抗网络较多的是应用于生成图片等维度较低的数据，但应用于生成复杂的高维数据时，以医学影像数据为例，由于医学影像数据转换算法在使用生成对抗网络时往往是以单张切片生成的方式，这样的方式会损失原始数据的结构信息，使生成的数据完整性大打折扣。

发明内容

本申请提供了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，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种针对高维数据的生成对抗网络训练方法，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。

本申请实施例采取的技术方案还包括：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。