[发明专利]一种用自适应控制学习改进生成对抗网络方法

摘要

本发明属于对抗网络技术领域，公开了一种用自适应控制学习改进生成对抗网络方法(GAN)，适用于GAN的自适应超参数学习过程，以提高不同数据集的训练稳定性，从而保证生成数据(如图像、文字)的质量。这是通过在类别和模式相对简单的数据集下获取的训练有素的学习曲线指导类别和模式相对复杂的数据集的训练过程来实现的；本发明还分析了具有多层感知器(MLP)和深度卷积神经网络(DCGAN)架构的自适应生成对抗网络(Ak‑GAN)模型。本发明确实可以提高通用GAN训练的稳定性，并可以很好地推广到各种改进模型和数据集；对于未来的工作，计划分析更好的生成样本度量，这可能会鼓励GAN的收敛；希望分析所提出的自适应控制机制在GAN多模态学习中的作用。

主权项

1.一种用自适应控制学习改进生成对抗网络方法，其特征在于，所述用自适应控制学习改进生成对抗网络方法自适应地调整生成网络和判别网络的运行迭代比例，具体方法包括以下步骤：步骤一、使用任意GAN模型在相对简单的数据集上训练，直至收敛，记录收敛时的批次数；步骤二、导出第一批次数至收敛批次数区间所有产生的损失值或判定概率值，并通过曲线拟合方法对这些值进行拟合，拟合后的值做为基准损失值或基准概率值；基准损失值为L_mG和L_mD；基准概率值为P_mr和P_mg；步骤三、在相对复杂数据集上训练GAN，训练过程中在每c个批次数之后比较并计算当前的输出值与基准值的差异，如果该差异超过预先设置的阈值(α)，则视情况调整G和D的训练迭代比例k值并训练；如果该差值在阈值内，则不对k值做任何改动，按原k值训练G和D；步骤四、反复运行步骤三，直至与所有的基准值比较完毕。