随着人工智能的蓬勃发展，对海量数据集的需求严重制约了机器学习技术的性能，尤其是在蘑菇表型图像数据方面，生成式对抗网络为解决缺少数据的难题提供了行之有效的方法，它可以通过少量的图像数据来生成足以以假乱真的虚拟图像。本文旨在针对蘑菇表型数据设计出一个高效的蘑菇表型生成式对抗网络。本系统使用Python语言进行开发，分为模型训练和图像生成两个模块。本文分别对不同数据集、不同的模型参数、不同的模型结构下的生成式对抗网络进行对比与分析，并从中选出一个最为适合蘑菇表型数据集的模型生成高质量的蘑菇表型样本。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 研究背景 1
1.2 研究意义 2
1.3 国内外研究现状 2
1.3.1 国内研究现状 2
1.3.2 国外研究现状 2
1.4 本论文主要工作 2
2 GAN的研究 3
2.1 工作原理及优点 3
2.1.1 工作原理 3
2.1.2 优点 3
2.2基本框架 3
2.3应用领域 4
3 MPGAN模型实现 4
3.1图像预处理 5
3.2 生成器与判别器的网络架构 5
3.2.1 生成器概念 5
3.2.2 生成器设计 6
3.2.3 生成器参数设置 8
3.2.4 判别器概念 8
3.2.5 判别器设计 9
3.2.6 判别器参数设置 10
3.3 相似度衡量指标 11
3.3.1 Wasserstein距离定义 11
3.3.2 Wasserstein距离计算 11
3.4 权重截断策略 12
3.4.1 损失函数定义 12
3.4.2 训练要点 12
3.4.3 训练流程 12
3.5 梯度惩罚策略 13
3.5.1 权重截断策略的问题和解决方法 13
3.5.2 *景先生毕设|www.jxszl.com +Q: &351916072& 
梯度惩罚代替权重截断 14
3.5.3 损失函数定义 14
3.5.4 训练流程 15
4 实验结果 15
4.1 实验环境介绍 15
4.1.1 开发环境概述 15
4.1.2 数据集介绍 16
4.2 权重截断策略 17
4.3 梯度惩罚策略 19
4.4 两种策略的实验结果分析 20
4.5 数据集对比 20
4.6 实验结果可视化 21
4.7 总结 22
致谢 22
参考文献 22
基于生成式对抗网络的蘑菇表型图像生成技术的研究
网络工程学生 吴茂盛
引言
引言
1 绪论
1.1 研究背景
现如今人工智能技术正处于迅速发展阶段，随着人工智能技术的不断进步，它直接或间接地给人们的生活带来了种种便利。人们对人工智能技术越来越高的期望促使了深度学习成为近些年的关注热点，深度学习在多个领域都取得了令人瞩目的成果，然而，深度学习算法的效果依赖于的数据集数量，而海量的数据集是限制深度学习快速发展的最大瓶颈。
使用生成式对抗网络（Generative Adversarial Networks，GAN）[1]进行海量数据的智能生成已经广泛用于图像[2]、文本[3]、语音[4]、语言[5]等领域，并且随着机器学习的发展，越来越多种类的海量数据集的需求将会供不应求，所需求的数据集的内容也会越来越复杂，所以对生成式对抗网络的研究不仅仅是对人工智能的探索，而且具有重大意义。相比于传统的生成式模型诸如最大似然估计法、近似法、马尔科夫链方法等，基于深度学习的生成式对抗网络有着巨大的优势。
生成式模型的研究可以分为人类理解数据的角度和机器理解数据的角度。在传统的生成式模型中，研究大都从人类理解数据的角度来生成数据，这样的生成式模型不但对机器学习有所限制并且计算复杂度一般较高。生成式对抗网络虽然继承了深度学习的不可解释的缺点，但是GAN以机器理解数据的角度来实现数据生成，无疑是能够突破传统生成式模型的障碍。当前比较主流的生成式模型包含生成对抗网络、马尔科夫链、变分编码器、深度玻尔兹曼机、深度信念网络。生成对抗网络相比于其他生成式模型的优点[6]如下：
（1） 相比于变分编码器，GAN没有变分下界和任何决定性偏置，即GAN是渐进一致的，而变分编码器是有偏差的，所以GAN比变分编码器生成的实例更加清晰。
（2） 相比于深度玻尔兹曼机，GAN没有变分下界和复杂的对数配分函数，GAN可以拓展到高维空间中。
（3） 相比于深度信念网络，GAN可以更快的产生样本，因为GAN不需要在采样序列生成不用的数据。
（4） 相比如马尔科夫链，GAN无需定义数据分布的描述函数，而是从未明确假设的分布中获取采样数据。
1.2 研究意义
生成式对抗网络正处于初步发展时期，基于生成式对抗网络的研究具有创新性和前沿性。目前，生成式对抗网络缺乏在农业领域的研究和探索，诸如病虫害叶片图像生成、农产品图像生成、虚拟花卉图像生成等方面，而对于农产品的图片的采集又比较困难。针对这个问题，本文旨在设计一个可用于生成蘑菇图像的蘑菇表型生成式对抗网络（Mushroom Phenotype Generative Adversarial Networks，MPGAN），该模型可用于通过较少的蘑菇数据生成高质量的虚拟蘑菇图像，对蘑菇表型分类研究中的数据集不均衡问题，长尾分布等问题，提供蘑菇数据集的高质量生成技术，为蘑菇各个阶段的表型研究提供技术支撑。
1.3 国内外研究现状
1.3.1 国内研究现状

原文链接：http://www.jxszl.com/jsj/wljs/563981.html