李 鑫，焦 斌，林蔚天

1.上海电机学院 电气学院，上海 201306

2.上海电机学院 继续教育学院，上海 200240

1 引言

生成对抗网络（Generative Adversarial Network，GAN）是Goodfellow等在2014年提出的一种生成模型[1]，该生成模型与传统生成模型的区别在于其包含了生成网络和判别网络两部分，生成网络和判别网络是一种对抗博弈的关系[2]。GAN思想源于零和博弈，当一方的利益增加时，另一方的利益就会随之减少。引用到生成对抗网络中，生成网络利用输入的初始数据经过数据拟合生成尽量逼真的数据，而判别网络的作用是将拟合生成的“假数据”和“真实数据”进行对比，最终判别生成数据的真实性，同时生成网络继续利用判别网络的结果优化生成网络各项参数，最终两个网络实现纳什均衡[3]。图像识别现有方法如卷积神经网络（Convolutional Neural Networks，CNN）等已经有很高的识别率，但这些方法依赖大量数据并且收敛速度较慢[4]。本文结合条件生成对抗网络、信息最大化生成对抗网络与深度卷积网络提出带有条件的信息最大化深度卷积生成对抗网络模型（Conditional-Info-DCGAN，C-Info-DCGAN），利用该模型提取的特征用于图像识别。实验结果表明，该方法能够提高训练收敛速度，并有效提高图像识别的准确率。

2 生成对抗网络原理

生成式对抗网络是一种深度学习模型，是近年来无监督学习最具前景的方法之一。基本模型是通过框架中两个模块：生成模型（Generative Model，G）和判别模型（Discriminative Model，D）的互相博弈学习生成以假乱真的数据样本[5]。原始生成对抗网络中的两个模型不一定是神经网络，只要是能够达到生成数据和判断真伪功能的网络都可以，但是经过长期大量的实验，把深度神经网络作为G和D是最常见且效果最好的。……