摘  要：在深度学习中，数据是三大核心要素之一。尤其在某些领域，数据的稀有、人工标注造成大量人力的浪费、数据好坏对产出结果的影响，都显现出数据的重要性。鉴于在动漫领域中，人物的制作需要花费大量的人力和时间，所以从动漫头像出发，基于生成对抗网络，结合编码器、残差网络、解码器，经过编码器改变图像的维度，最后利用解码器将提取到的特征数据生成近似于原始图像的数据集。生成对抗网络本身固有的缺点会导致最后的效果并不是很好，于是尝试对生成对抗网络进行深度卷积的改进，再加上WGAN的梯度惩罚思想来优化自编码器基础上的生成对抗网络。

关键词：深度学习;生成对抗网络;数据生成;深度卷积

中图分类号：TP391     文献标识码：A

Abstract： In deep learning， data is one of the three core elements. Especially in some fields， scarcity of data， manpower waste caused by manual labeling， and the impact of data quality on the output results all show the importance of data. As in animation field， production of characters takes a lot of time and manpower， this paper starts from animation profile picture and combines encoder， residual network and decoder based on Generative Adversarial Network. After the encoder changes the dimension of the image， the decoder is used to generate a dataset similar to the original image with extracted feature data. The inherent shortcomings of the Generative Adversarial Network itself will lead to an unideal final effect， so the author tries to improve the Generative Adversarial Network by deep convolution， coupled with the gradient penalty idea of WGAN （Wasserstein Generative Adversarial Network） to optimize the Generative Adversarial Network based on the autoencoder.

Keywords： deep learning; Generative Adversarial Network; data generation; deep convolution

1   引言（Introduction）

生成對抗网络（Generative Adversarial Network，GAN）于2014年被在蒙特利尔读博士的Ian Goodfellow提出，在之后的几年，一直都处于火热研究对象的状态之中[1]，且于2016年席卷AI领域顶会，深度学习三大马车之一的Yann LeCun曾形容它为“20年来深度学习领域最酷的构想”。生成对抗网络被广泛应用于图像生成[2]、图像转换[3]、图像修复[4]，在目标检测[5]、行人识别[6]等方面也有着重要的辅助作用。大量的研究者希望将生成对抗网络应用于各个领域，例如有在医学领域的研究者希望借助生成对抗网络的学习方式及其学习能力来生成药学分子结构和合成新材料的配方。

2   生成对抗网络（Generative adversarial network）

2.1   网络结构与原理展示

生成对抗网络（Generative Adversarial Network， GAN）因为有着极好的生成能力以及效果而得到了广泛的认知，其网络结构如图1所示。……