用于生成头像生成模型的方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及用于生成头像生成模型的方法和装置。

背景技术：

目前，在有些场合下，需要大量的头像供人们使用。例如，在训练用于将用户的人脸图像转换为其他风格的图像(例如动漫头像)的模型的时候，通常需要大量的头像作为训练样本。现有的生成训练样本的方法，主要是通过从已有的头像资源中获取头像，或者人工绘制头像的方式生成训练样本。

技术实现要素：

本公开的实施例提出了用于生成头像生成模型的方法和装置，以及用于生成头像的方法和装置。

第一方面，本公开的实施例提供了一种用于生成头像生成模型的方法，该方法包括：获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像；获取预先建立的初始生成对抗网络，其中，初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像；执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

在一些实施例中，在将训练后的生成网络确定为头像生成模型之后，训练步骤还包括：对于训练样本集合中的训练样本，将该训练样本包括的样本向量输入所生成的头像生成模型，得到头像；确定用于表征所得到的头像之间的差异程度的差异程度值；响应于确定差异程度值大于等于预设的差异程度阈值，确定所生成的头像生成模型为最终的头像生成模型。

在一些实施例中，在确定用于表征所得到的头像之间的差异程度的差异程度值之后，方法还包括：响应于确定差异程度值小于差异程度阈值，重新生成训练样本集合；将所生成的头像生成模型作为初始生成对抗网络，利用重新生成的训练样本集合，重新执行训练步骤。

在一些实施例中，重新生成训练样本集合，包括：对于训练样本集合中的训练样本，重新生成该训练样本包括的样本头像对应的样本向量，将重新生成的样本向量和该训练样本包括的样本头像确定为重新生成的训练样本。

在一些实施例中，确定用于表征所得到的头像之间的差异程度的差异程度值，包括：确定所得到的头像中的头像的特征向量；基于所确定的特征向量两两之间的距离，确定差异程度值。

在一些实施例中，其中，样本向量是随机生成的预设维度的向量。

第二方面，本公开的实施例提供了一种用于生成头像的方法，该方法包括：获取目标向量；将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出，其中，头像生成模型是根据上述第一方面中任一实施例描述的方法生成的。

在一些实施例中，目标向量是随机生成的预设维度的向量。

第三方面，本公开的实施例提供了一种用于生成头像生成模型的装置，该装置包括：第一获取单元，被配置成获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像；第二获取单元，被配置成获取预先建立的初始生成对抗网络，其中，初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像；训练单元，被配置成执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

在一些实施例中，训练单元包括：生成模块，被配置成对于训练样本集合中的训练样本，将该训练样本包括的样本向量输入所生成的头像生成模型，得到头像；第一确定模块，被配置成确定用于表征所得到的头像之间的差异程度的差异程度值；第二确定模块，被配置成响应于确定差异程度值大于等于预设的差异程度阈值，确定所生成的头像生成模型为最终的头像生成模型。

在一些实施例中，训练单元还包括：生成模块，被配置成响应于确定差异程度值小于差异程度阈值，重新生成训练样本集合；训练模块，被配置成将所生成的头像生成模型作为初始生成对抗网络，利用重新生成的训练样本集合，重新执行训练步骤。

在一些实施例中，生成模块进一步被配置成：对于训练样本集合中的训练样本，重新生成该训练样本包括的样本头像对应的样本向量，将重新生成的样本向量和该训练样本包括的样本头像确定为重新生成的训练样本。

在一些实施例中，第一确定模块包括：第一确定子模块，被配置成确定所得到的头像中的头像的特征向量；第二确定子模块，被配置成基于所确定的特征向量两两之间的距离，确定差异程度值。

在一些实施例中，样本向量是随机生成的预设维度的向量。

第四方面，本公开的实施例提供了一种用于生成头像的装置，该装置包括：向量获取单元，被配置成获取目标向量；头像生成单元，被配置成将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出，其中，头像生成模型是根据上述第一方面中任一实施例描述的方法生成的。

在一些实施例中，目标向量是随机生成的预设维度的向量。

第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成头像生成模型的方法和装置，通过获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像，利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型，训练后的头像生成模型可以利用输入的向量生成头像，从而有助于提高生成头像的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的实施例的用于生成头像生成模型的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成头像生成模型的方法的一个应用场景的示意图；

图4是根据本公开的实施例的用于生成头像的方法的一个实施例的流程图；

图5是根据本公开的实施例的用于生成头像生成模型的装置的一个实施例的结构示意图；

图6是根据本公开的实施例的用于生成头像的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于生成头像生成模型的方法或用于生成头像生成模型的装置，以及用于生成头像的方法或用于生成头像的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、网页浏览器应用、即时通信工具、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的训练样本集合进行处理的后台服务器。后台服务器可以使用获取到的训练样本集合对初始生成对抗网络进行训练，从而得到头像生成模型。此外，后台图像处理服务器还可以使用头像生成模型对输入的向量进行处理，得到头像。

需要说明的是，本公开的实施例所提供的用于生成头像生成模型的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成头像生成模型的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。此外，本公开的实施例所提供的用于生成头像的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成头像的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在训练模型所需的训练样本集合或目标向量不需要从远程获取的情况下，上述系统架构可以不包括网络，而只包括服务器或终端设备。

继续参考图2，示出了根据本公开的用于生成头像生成模型的方法的一个实施例的流程200。该用于生成头像生成模型的方法，包括以下步骤：

步骤201，获取预设的训练样本集合。

在本实施例中，用于生成头像生成模型的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程，或从本地获取预设的训练样本集合。其中，训练样本包括样本向量，以及与样本向量对应的样本头像。

样本头像可以是预先按照各种方式得到的头像。例如从预设的头像库中提取的头像，或者由人手动绘制的头像。实践中，样本头像通常为漫画头像，使用漫画头像训练得到的头像生成模型，可以用于生成漫画头像。

样本向量可以按照各种方式预先生成。例如，可以由技术人员预先通过手动输入得到。

在本实施例的一些可选的实现方式中，样本向量是随机生成的预设维度的向量。具体地，作为示例，用于生成样本向量的执行主体可以生成预设数量(例如512)个符合正态分布的随机数字，将该预设数量个符合正态分布的数字组合为一个向量，将该向量确定为样本向量，该向量的维度与预设数量相同。

步骤202，获取预先建立的初始生成对抗网络。

在本实施例中，上述执行主体可以从远程或从本地获取预先建立的初始生成对抗网络。初始生成对抗网络可以是各种结构的生成对抗网络。例如，初始生成式对抗网络可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。应当理解，初始生成对抗网络可以是未经训练的、初始化参数后的生成对抗网络，也可以是已经训练过的生成对抗网络。

上述初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像。

需要说明的是，生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种结构的卷积神经网络，其中，上述全连接层可以实现分类功能)。此外，判别网络也可以是用于实现分类功能的其他模型，例如支持向量机(supportvectormachine，svm)。此处，针对输入判别网络的每个头像，判别网络若判定该头像是生成网络所输出的头像，则可以输出对应于该头像的标签1(或0)；若判定该头像不是生成网络所输出的图像，则可以输出对应于该头像的标签0(或1)。需要说明的是，判别网络也可以输出其他预先设置的信息，不限于数值1和0。

步骤203，执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

在本实施例中，上述执行主体可以执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

具体地，上述执行主体可以首先固定生成网络和判别网络中的任一种网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行优化。不断进行上述迭代，使判别网络无法区分生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像。此时，生成网络所生成的头像与样本头像接近，判别网络无法准确区分生成网络输出的头像和样本头像(即判别准确率为50％)，可以将此时的生成网络确定为头像生成模型。通常，上述执行主体可以利用现有的反向传播算法和梯度下降算法对生成网络和判别网络进行训练。每次训练后的生成网络和判别网络的参数会被调整，将每次调整参数后得到的生成网络和判别网络作为下次训练的初始生成对抗网络。训练过程中，可以通过使用损失函数确定损失值，根据损失值迭代地训练生成网络和判别网络，以使每次迭代运算时确定的损失值最小。

由此，基于初始生成对抗网络训练得到的头像生成模型的参数可以基于判别网络的判别结果的反向传播而确定，不需要依赖大量的有标注的样本即可实现模型训练，从而可以减少了人力成本，进一步提高了生成头像生成模型的效率。

在本实施例的一些可选的实现方式中，在将训练后的生成网络确定为头像生成模型之后，上述训练步骤还可以包括以下子步骤：

步骤一，对于训练样本集合中的训练样本，将该训练样本包括的样本向量输入所生成的头像生成模型，得到头像。

步骤二，确定用于表征所得到的头像之间的差异程度的差异程度值。具体地，作为示例，上述执行主体可以利用现有的确定图像之间的相似度的算法(例如感知哈希算法、sift(尺度不变特征转换，scale-invariantfeaturetransform)算法等)，确定所得到的头像两两之间的相似度，以及将所得到的相似度中的最小值(或平均值)确定为差异程度值。通常，差异程度值越大，表征所得到的头像之间的差异程度越大，即所得到的头像的多样性越大。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定差异程度值：

首先，确定所得到的头像中的头像的特征向量。具体地，上述执行主体可以利用现有的用于确定图像的特征向量的方法(例如lbp(localbinarypattern，局部二值模式)算法、基于神经网络的算法等)，得到每个头像的特征向量。其中，头像的特征向量可以用于表征头像的特征(例如形状、纹理等)。作为示例，上述执行主体可以利用预先设置的卷积神经网络，确定头像的特征向量。通常，卷积神经网络可以包括卷积层和全连接层，卷积层用于生成头像的特征图(featuremap)，全连接层用于将特征图包括的数据进行连接，得到特征向量。

然后，基于所确定的特征向量两两之间的距离，确定差异程度值。具体地，上述执行主体可以将所得到的距离的最小值(或平均值)确定为差异程度值。其中，特征向量之间的距离可以包括但不限于以下任一种：欧氏距离、曼哈顿距离、切比雪夫距离等。

步骤三，响应于确定差异程度值大于等于预设的差异程度阈值，确定所生成的头像生成模型为最终的头像生成模型。当所确定的差异程度值大于等于预设的差异程度阈值时，表示利用当前的头像生成模型所生成的头像之间的差异较大，即生成的头像的多样性较大。通过本实现方式，可以减小利用头像生成模型生成的头像之间的相似性，有利于生成更多样化的头像。

在本实施例的一些可选的实现方式中，上述执行主体还可以在确定用于表征所得到的头像之间的差异程度的差异程度值之后，执行如下步骤：

首先，响应于确定所确定的差异程度值小于差异程度阈值，重新生成训练样本集合。作为示例，上述执行主体可以重新调整上述训练样本集合中的训练样本包括的样本向量和样本头像的对应关系，从而生成新的训练样本集合。例如假设样本向量a原来对应于样本图像a，样本向量b原来对应于样本图像b，则可以将样本向量a调整为对应于样本图像b，将样本向量b调整为对应于样本图像a。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤重新生成训练样本集合：对于训练样本集合中的训练样本，重新生成该训练样本包括的样本头像对应的样本向量，将重新生成的样本向量和该训练样本包括的样本头像确定为重新生成的训练样本。其中，样本向量可以按照各种方式预先生成。例如，可以由技术人员通过手动输入生成。或者，可以随机自动生成。例如，上述执行主体可以生成预设数量个符合正态分布的随机数字，将生成的数字组合为一个向量，将该向量确定为重新生成的样本向量，样本向量的维度与原样本向量的维度相同。

然后，将所生成的头像生成模型作为初始生成对抗网络，利用重新生成的训练样本集合，重新执行上述训练步骤。本实现方式可以通过重新生成训练样本集合对所生成的头像生成模型进行再次训练，从而提高重新训练得到的头像生成模型输出的头像的多样性。

继续参见图3，图3是根据本实施例的用于生成头像生成模型的方法的应用场景的一个示意图。在图3的应用场景中，电子设备301首先获取预设的训练样本集合302。其中，训练样本集合302中的每个训练样本包括样本向量(例如预先随机生成的512维向量)，以及与样本向量对应的样本头像。然后，电子设备301从本地获取预先建立的初始生成对抗网络303。其中，初始生成对抗网络303包括生成网络3031和判别网络3032，生成网络3031用于利用所输入的样本向量生成头像，判别网络3032用于确定输入判别网络3032的头像是否是生成网络3031输出的头像。再然后，执行如下训练步骤：利用机器学习方法，将训练样本集合302中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练。当判别网络无法准确区分生成网络输出的头像和样本头像(即判别准确率为50％)时，将此时的生成网络确定为头像生成模型304。

本公开的上述实施例提供的方法，通过获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像，利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型，训练后的头像生成模型可以利用输入的向量生成头像，从而有助于提高生成头像的效率。

进一步参考图4，其示出了根据本公开的用于生成头像的方法的一个实施例的流程400。该用于生成头像的方法的流程400，包括以下步骤：

步骤401，获取目标向量。

在本实施例中，用于生成头像的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从远程，或从本地获取目标向量。其中，目标向量是待利用其生成头像的向量。例如，目标向量可以是用户手动输入的向量，或者由上述执行主体或其他电子设备自动生成的向量。

在本实施例的一些可选的实现方式中，目标向量可以是随机生成的预设维度的向量。具体地，作为示例，用于生成目标向量的执行主体可以生成预设数量(例如512)个符合正态分布的随机数字，将该预设数量个符合正态分布的数字组合为一个向量，将该向量确定为目标向量，该向量的维度与预设数量相同。

步骤402，将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出。

在本实施例中，上述执行主体可以将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出。其中，头像生成模型是根据上述图2对应实施例描述的方法生成的。实践中，训练头像生成模型所使用的样本头像可以是漫画头像，从而上述头像生成模型可以输出漫画头像。

上述执行主体可以按照各种方式将生成的头像输出。例如，可以将生成的头像显示在与上述执行主体包括的显示屏上，或者，将生成的头像发送到与上述执行主体通信连接的其他电子设备。

实践中，所生成的头像可以进一步作为训练样本，训练其他模型。由于训练其他模型时，通常需要大量的训练样本，通过执行本实施例，可以在需要生成大量的头像的情况下，无需从图像库中提取头像，也无需人工绘制头像，只需向头像生成模型输入向量既可得到头像，从而有效地提高了生成头像的效率。

本公开的上述实施例提供的方法，通过获取目标向量，将目标向量输入预先根据图2对应实施例描述的方法生成的头像生成模型，得到与目标向量对应的头像及输出，从而可以实现根据向量得到头像，提高了生成头像的效率。

进一步参考图5，作为对上述图2所示方法的实现，本公开提供了一种用于生成头像生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成头像生成模型的装置500包括：第一获取单元501，被配置成获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像；第二获取单元502，被配置成获取预先建立的初始生成对抗网络，其中，初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像；训练单元503，被配置成执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

在本实施例中，第一获取单元501可以通过有线连接方式或者无线连接方式从远程，或从本地获取预设的训练样本集合。其中，训练样本包括样本向量，以及与样本向量对应的样本头像。

样本头像可以是预先按照各种方式得到的头像。例如从预设的头像库中提取的头像，或者由人手动绘制的头像。实践中，样本头像通常为漫画头像，使用漫画头像训练得到的头像生成模型，可以用于生成漫画头像。

样本向量可以按照各种方式预先生成。例如，可以由技术人员预先通过手动输入得到。

在本实施例中，第二获取单元502可以从远程或从本地获取预先建立的初始生成对抗网络。初始生成对抗网络可以是各种结构的生成对抗网络。例如，初始生成式对抗网络可以是深度卷积生成对抗网络。应当理解，初始生成对抗网络可以是未经训练的、初始化参数后的生成对抗网络，也可以是已经训练过的生成对抗网络。

上述初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像。

需要说明的是，生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，判别网络也可以是用于实现分类功能的其他模型，例如支持向量机。此处，针对输入判别网络的每个头像，判别网络若判定该头像是生成网络所输出的头像，则可以输出对应于该头像的标签1(或0)；若判定该头像不是生成网络所输出的图像，则可以输出对应于该头像的标签0(或1)。需要说明的是，判别网络也可以输出其他预先设置的信息，不限于数值1和0。

在本实施例中，训练单元503可以利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

具体地，上述训练单元503可以首先固定生成网络和判别网络中的任一种网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行优化。不断进行上述迭代，使判别网络无法区分生成网络输出的头像和输入生成网络的样本向量对应的样本头像。此时，生成网络所生成的头像与样本头像接近，判别网络无法准确区分生成网络输出的头像和样本头像(即判别准确率为50％)，可以将此时的生成网络确定为头像生成模型。通常，上述训练单元503可以利用现有的反向传播算法和梯度下降算法对生成网络和判别网络进行训练。每次训练后的生成网络和判别网络的参数会被调整，将每次调整参数后得到的生成网络和判别网络作为下次训练的初始生成对抗网络。训练过程中，可以通过使用损失函数确定损失值，根据损失值迭代地训练生成网络和判别网络，以使每次迭代运算时确定的损失值最小。

由此，基于初始生成对抗网络训练得到的头像生成模型的参数可以基于判别网络的判别结果的反向传播而确定，不需要依赖大量的有标注的样本即可实现模型训练，从而可以减少了人力成本，进一步提高了生成头像生成模型的效率。

在本实施例的一些可选的实现方式中，训练单元503可以包括：生成模块(图中未示出)，被配置成对于训练样本集合中的训练样本，将该训练样本包括的样本向量输入所生成的头像生成模型，得到头像；第一确定模块(图中未示出)，被配置成确定用于表征所得到的头像之间的差异程度的差异程度值；第二确定模块(图中未示出)，被配置成响应于确定差异程度值大于等于预设的差异程度阈值，确定所生成的头像生成模型为最终的头像生成模型。

在本实施例的一些可选的实现方式中，训练单元503还可以包括：生成模块(图中未示出)，被配置成响应于确定差异程度值小于差异程度阈值，重新生成训练样本集合；训练模块(图中未示出)，被配置成将所生成的头像生成模型作为初始生成对抗网络，利用重新生成的训练样本集合，重新执行训练步骤。

在本实施例的一些可选的实现方式中，生成模块可以进一步被配置成：对于训练样本集合中的训练样本，重新生成该训练样本包括的样本头像对应的样本向量，将重新生成的样本向量和该训练样本包括的样本头像确定为重新生成的训练样本。

在本实施例的一些可选的实现方式中，第一确定模块可以包括：第一确定子模块(图中未示出)，被配置成确定所得到的头像中的头像的特征向量；第二确定子模块(图中未示出)，被配置成基于所确定的特征向量两两之间的距离，确定差异程度值。

在本实施例的一些可选的实现方式中，样本向量是随机生成的预设维度的向量。

本公开的上述实施例提供的装置500，通过获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像，利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型，训练后的头像生成模型可以利用输入的向量生成头像，从而有助于提高生成头像的效率。

进一步参考图6，作为对上述图4所示方法的实现，本公开提供了一种用于生成头像生成模型的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成头像生成模型的装置600包括：向量获取单元601，被配置成获取目标向量；头像生成单元602，被配置成将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出，其中，头像生成模型是根据上述图2对应实施例描述的方法生成的。

在本实施例中，向量获取单元601可以通过有线连接方式或者无线连接方式从远程，或从本地获取目标向量。其中，目标向量是待利用其生成头像的向量。例如，目标向量可以是用户手动输入的向量，或者由上述装置600或其他电子设备自动生成的向量。

在本实施例中，头像生成单元602可以将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出。其中，头像生成模型是根据上述图2对应实施例描述的方法生成的。实践中，训练头像生成模型所使用的样本头像可以是漫画头像，从而上述头像生成模型可以输出漫画头像。

在本实施例的一些可选的实现方式中，目标向量是随机生成的预设维度的向量。

本公开的上述实施例提供的装置600，通过获取目标向量，将目标向量输入预先根据图2对应实施例描述的方法生成的头像生成模型，得到与目标向量对应的头像及输出，从而可以实现根据向量得到头像，提高了生成头像的效率。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取预设的训练样本集合，其中，训练样本包括样本向量，以及与样本向量对应的样本头像；获取预先建立的初始生成对抗网络，其中，初始生成对抗网络包括生成网络和判别网络，生成网络用于利用所输入的样本向量生成头像，判别网络用于区分所述生成网络输出的头像和输入所述生成网络的样本向量对应的样本头像；执行如下训练步骤：利用机器学习方法，将训练样本集合中的训练样本包括的样本向量作为生成网络的输入，将生成网络输出的头像、与输入生成网络的样本向量对应的样本头像作为判别网络的输入，对生成网络和判别网络进行训练，将训练后的生成网络确定为头像生成模型。

此外，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标向量；将目标向量输入预先训练的头像生成模型，得到与目标向量对应的头像及输出。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第二获取单元、训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取预设的训练样本集合的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。