杨振 李丹

摘  要：GANs作为典型的生成对抗网络，具有较高的应用价值和发展潜力，文章改进了GANs网络的一些新技术（训练深度生成半质量网络dcgan），针对其中部分缺点进行了有效改善，从网络架构、特征匹配和多形差值学习技术维度进行优化，并将其与bird数据集*80进行训练，得出观察结果，为未来的应用前景和环境拓展研究提供进一步可能性，以期在更多的场景中使用该算法。

关键词：GANs网络的技术改进;数据新集;网络机构;特征匹配;多形差值学习

中图分类号：TP18     文献标识码：A文章编号：2096-4706（2021）21-0102-03

Abstract： As a typical generation countermeasure network， GANs has higher application value and development potential. In this paper， some new technologies of GANs network are improved （training depth generation semi-mass network dcgan）， and some of the shortcomings are effectively improved. The algorithm is optimized from the network architecture， feature matching and polymorphic difference learning technology dimensions， and is trained with bird dataset *80 to obtain the observation results， providing further possibility for the research of future application prospects and environment expansion， in order to use the algorithm in more scenarios.

Keywords： GANs network's technology improvement; new dataset; network organization; feature matching; polymorphic difference learning

0  引  言

一个生成性的对抗网络（GANs）就是由一个生成器G和一个鉴别器D所组合构成的，它们在两个玩家最小游戏中相互竞争：鉴别器尝试区分真实训练数据和一个合成的图像，生成器尝试欺骗一个鉴别器。具体地说，D和 G在V（D、G）上可以玩以下游戏：mingmaxdV（D、G）=exblogpdata（x）[logd（x）]+ex2fpz（z）[log（1-D（G（z）））]。这个极大的极小函数博弈公式具有了在pg=pdata时的博弈全局最优，并且在温和的条件下具有全局最优。G与D之间有一个足够的容量pg收敛在pdata。在实践中，在训练开始时，D的样本非常差，被D充满信心地拒绝。研究发现，在实践中，生成器可以更好地最大化对数（D（G（z））），而不是最小化对数（1-D（G（z）））。卷积网络监督学习技术在计算机和视觉应用中具有很大的普遍性。与此相比，CNN的无监督学习方式所受到的重视程度更低。在这个工作中，我们深切地希望CNN能够帮助我们弥补其他国家在没有监督和不加以监管的学习中取得成功。我们希望它能在更深层次上得到应用。……