[发明专利]网络结构的构建方法、装置以及介质

说明书

本申请涉及一种网络结构的构建方法、装置以及介质。该方法包括：构建网络结构，这里的网络结构可以是GAN网络，GAN网络包括生成器和判别器；首先，训练生成器和判别器，生成器包括第一生成单元，判别器包括第一判别单元；然后，调整生成器的第一生成器参数和判别器的第一判别器参数，直至第一生成器参数处于第一生成器数值范围以及第一判别器参数处于第一判别器数值范围时，使用第一生成器参数更新第一生成单元，使用第一判别器参数更新第一判别单元。通过本申请的方法可以在确定GAN网络的结构的过程中，保证了生成器与判别器之间的平衡性，又能提高了构建方法的效率和准确度。

技术领域

本申请实施例涉及人工智能领域，尤其涉及一种网络结构的构建方法、装置以及介质。

背景技术

生成对抗网络(Generative Adversarial Networks，GAN)由于其在生成图像方面的出色表现而备受关注。但是，GAN网络在网络模型的训练中的不稳定问题极大地增加了体系结构设计的难度。

GAN网络包括生成器和判别器，现有的构建GAN网络方法如图1所示，通过搜索算法从生成器和判别器的搜索空间中搜索出构建生成器和判别器的结构和权重，然后对获取的生成器和判别器的结构和权重进行性能评估，也就是对生成器和判别器的结构和权重进行训练以获得较优的结构和权重，同时，优化搜索算法。

但是，在现有的技术中，每次都要分别训练搜索到的GAN网络的生成器和判别器的权重，而没有考虑生成器和判别器的结构和权重之间的平衡，使得搜索算法的速度很慢。

发明内容

本申请的目的在于提供一种网络结构的构建方法、装置以及介质，本申请的方法包括，以网络结构为GAN网络为例，通过互相博弈的方式，同时调整GAN网络的生成器和判别器的权重，进而优化GAN网络的生成器和判别器的权重。这里的互相博弈的方式，也就是使得生成器的权重获得尽可能最小的数值，同时，使得判别器的权重获得尽可能最大的数值。通过本申请的方法，可以在确定GAN网络的结构的过程中，保证了生成器与判别器之间的平衡性，又能提高了构建方法的效率和准确度。

本申请的第一方面提供了一种网络结构的构建方法，其特征在于，方法包括：构建网络结构，网络结构包括生成器和判别器；基于随机噪声和样本数据，训练生成器和判别器，生成器包括第一生成单元，判别器包括第一判别单元；获取生成器的第一生成器参数和判别器的第一判别器参数，调整第一生成器参数和第一判别器参数，直至第一生成器参数处于第一生成器数值范围以及第一判别器参数处于第一判别器数值范围时，使用第一生成器参数更新第一生成单元，使用第一判别器参数更新第一判别单元。

在上述第一方面的一种可能的实现中，调整第一生成器参数和第一判别器参数，直至第一生成器参数处于第一生成器数值范围以及第一判别器参数处于第一判别器数值范围通过以下公式实现，

其中，α是第一生成器参数，β是第一判别器参数，p_data是样本数据，p_z是随机噪声，通过minmax函数使得第一生成器参数处于第一生成器数值范围以及第一判别器参数处于第一判别器数值范围。

即在本申请的实施例中，网络结构可以是GAN网络，E可以是GAN网络的损失。通过minmax函数使得α趋向最小的同时，使得β趋向最大。

在上述第一方面的一种可能的实现中，基于随机噪声和样本数据，训练生成器和判别器，生成器包括第一生成单元，判别器包括第一判别单元，包括：基于随机噪声和样本数据，训练生成器和判别器，生成器用于基于随机噪声生成第一图像，判别器用于区分第一图像和样本数据。

在上述第一方面的一种可能的实现中，使用第一生成器参数更新第一生成单元，使用第一判别器参数更新第一判别单元之后，包括：获取生成器的第二生成器参数和判别器的第二判别器参数；