本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成图片的方法和装置。
背景技术：
目前，随着数码相机、手机等拍照功能的智能终端的普及，图片产生的数量越来越多，人脸照片的采集和记录都变的非常方便。这使得人脸照片在实际的生活中变得尤为重要。
例如，在寻找走失或被拐卖的人口时，警察局等机构往往需要走失或被拐卖的人口的照片。但是对于走失或被拐卖的人口常常会寻找不到准确的照片，此种情况下往往需要根据其父母或子女的长相来推测走失或被拐卖的人口的长相。
技术实现要素：
本申请实施例提出了用于生成图片的方法和装置。
第一方面，本申请实施例提供了一种用于生成图片的方法，该方法包括：接收用户发送的包括两张待处理图片的图片生成请求，其中，图片生成请求为第一类生成请求或第二类生成请求，第一类生成请求中包括包含父亲的人脸图像的父亲图片和包含母亲的人脸图像的母亲图片，第二类生成请求中包括包含子代的人脸图像的子代图片和包含父亲的人脸图像的父亲图片，或者第二类生成请求中包括包含子代的人脸图像的子代图片和包含母亲的人脸图像的母亲图片；根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片，其中，图片生成模型用于表征输入的两张待处理图片与结果图片的对应关系。
在一些实施例中，根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片，包括：响应于确定图片生成请求为第一类生成请求，将父亲图片和母亲图片输入预先训练的第一图片生成模型，生成包含有子代的人脸图像的结果图片，其中，第一图片生成模型用于生成包含所输入的图片中指示的父母亲的子代的人脸图像的图片；响应于确定图片生成请求为包括子代图片和父亲图片的第二类生成请求，将子代图片和父亲图片输入预先训练的第二图片生成模型，得到包含有母亲的人脸图像的结果图片，其中，第二图片生成模型用于生成包含所输入的子代图片中指示的子代的母亲的人脸图像的图片；响应于确定图片生成请求为包括子代图片和母亲图片的第二类生成请求，将子代图片和母亲图片输入第二图片生成模型，得到包含有父亲的人脸图像的结果图片，其中，第二图片生成模型还用于生成包含所输入的子代图片中指示的子代的父亲的人脸图像的图片。
在一些实施例中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片作为输入，基于训练样本集中每个训练样本中的子代图片和预设的损失函数，使用深度学习的方法训练得到第一图片生成模型。
在一些实施例中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式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每个训练样本中的父亲图片和母亲图片输出每个训练样本中父亲图片和母亲图片所指示的父母亲的子代的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；基于机器学习的方法，将每个训练样本集中的父亲图片和母亲图片作为生成网络的输入，将生成网络输出的图片和每个训练样本中的子代图片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第一图片生成模型。
在一些实施例中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片中的一个、以及子代图片作为输入，基于训练样本集中每个训练样本中的父亲图片和母亲图片中的另一个和预设的损失函数，使用深度学习的方法训练得到第二图片生成模型。
在一些实施例中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于利用输入的每个训练样本中父亲图片和子代图片输出每个训练样本中子代图片所指示的子代的母亲的人脸图像的图片以及利用输入的每个训练样本中母亲图片和子代图片输出每个训练样本中子代图片所指示的子代的父亲的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；基于机器学习的方法，将每个训练样本中父亲图片和母亲图片中的一个、以及子代图片作为生成网络的输入，将生成网络输出的图片和每个训练个样本中父亲图片和母亲图片中的另一个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第二图片生成模型。
第二方面，本申请实施例提供了一种用于生成图片的装置，装置包括：接收单元，配置用于接收用户发送的包括两张待处理图片的图片生成请求，其中，图片生成请求为第一类生成请求或第二类生成请求，第一类生成请求中包括包含父亲的人脸图像的父亲图片和包含母亲的人脸图像的母亲图片，第二类生成请求中包括包含子代的人脸图像的子代图片和包含父亲的人脸图像的父亲图片，或者第二类生成请求中包括包含子代的人脸图像的子代图片和包含母亲的人脸图像的母亲图片；生成单元，配置用于根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片，其中，图片生成模型用于表征输入的两张待处理图片与结果图片的对应关系。
在一些实施例中，生成单元进一步配置用于：响应于确定图片生成请求为第一类生成请求，将父亲图片和母亲图片输入预先训练的第一图片生成模型，生成包含有子代的人脸图像的结果图片，其中，第一图片生成模型用于生成所输入的图片中指示的父母亲的子代的人脸图像的图片；响应于确定图片生成请求为包括子代图片和父亲图片的第二类生成请求，将子代图片和父亲图片输入预先训练的第二图片生成模型，得到包含有母亲的人脸图像的结果图片，其中，第二图片生成模型用于生成包含所输入的子代图片中指示的子代的母亲的人脸图像的图片；响应于确定图片生成请求为包括子代图片和母亲图片的第二类生成请求，将子代图片和母亲图片输入第二图片生成模型，得到包含有父亲的人脸图像的结果图片，其中，第二图片生成模型还用于生成包含所输入的子代图片中指示的子代的父亲的人脸图像的图片。
在一些实施例中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片作为输入，基于训练样本集中每个训练样本中的子代图片和预设的损失函数，使用深度学习的方法训练得到第一图片生成模型。
在一些实施例中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式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每个训练样本中的父亲图片和母亲图片输出每个训练样本中父亲图片和母亲图片所指示的父母亲的子代的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；基于机器学习的方法，将每个训练样本集中的父亲图片和母亲图片作为生成网络的输入，将生成网络输出的图片和每个训练样本中的子代图片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第一图片生成模型。
在一些实施例中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片中的一个、以及子代图片作为输入，基于训练样本集中每个训练样本中的父亲图片和母亲图片中的另一个和预设的损失函数，使用深度学习的方法训练得到第二图片生成模型。
在一些实施例中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于利用输入的每个训练样本中父亲图片和子代图片输出每个训练样本中子代图片所指示的子代的母亲的人脸图像的图片以及利用输入的每个训练样本中母亲图片和子代图片输出每个训练样本中子代图片所指示的子代的父亲的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；基于机器学习的方法，将每个训练样本中父亲图片和母亲图片中的一个、以及子代图片作为生成网络的输入，将生成网络输出的图片和每个训练个样本中父亲图片和母亲图片中的另一个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第二图片生成模型。
本申请实施例提供的用于生成图片的方法和装置，根据用户发送的图片生成请求的类型，将父亲图片和母亲图片输入到与第一类生成请求相对应的预先训练的图片生成模型中，或者将包含父亲或母亲的人脸图像的图片和子代图片输入到与第二类生成请求相对应的预先训练的图片生成模型中，从而可以生成与输入的待处理图片对应且包含有人脸图像的结果图片，提高了图片生成的准确性。
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，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成图片的方法的一个实施例的流程图；
图3是本申请的用于生成图片的方法中，根据图片生成请求的类型生成结果图片的一种实现方式的流程图；
图4是根据本申请的用于生成图片的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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发明，而非对该发明的限定。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发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
图1示出了可以应用本申请的用于生成图片的方法或用于生成图像的装置的实施例的示例性系统架构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，例如摄影摄像类应用、图片处理类应用、图片搜索类应用等。
终端设备101、102、103可以是具有显示屏并且支持网页通信、图片显示等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
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发送的图片生成请求中的待处理图片进行处理的图片处理服务器。图片处理服务器可以对接收到的待处理图片等进行分析等处理，并将处理结果(例如生成的与待处理图片对应的结果图片)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于生成图片的方法一般由服务器105执行，相应地，用于生成图像的装置一般设置于服务器105中。
需要指出的是，终端设备101、102、103中也可以安装有图片处理类应用，终端设备101、102、103在获取图片生成请求时可以基于图片处理类应用对待处理图片进行人脸检测，此时，用于生成图片的方法也可以由终端设备101、102、103执行，相应地，用于生成图片的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。
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。
继续参考图2，示出了根据本申请的用于生成图片的方法的一个实施例的流程200。该用于生成图片的方法，包括以下步骤：
步骤201，接收用户发送的包括两张待处理图片的图片生成请求。
在本实施例中，用于生成图片的方法运行于其上的电子设备可以接收用户发送的图片生成请求，其中，该图片生成请求中可以包括两张待处理图片。需要说明的是，上述图片生成请求可以为第一类生成请求或第二类生成请求。并且，当该图片生成请求为第一类生成请求时，该第一类生成请求中可以包括包含父亲的人脸图像的父亲图片和包含母亲的人脸图像的母亲图片；当该图片生成请求为第二类生成请求时，该第二类生成请求可以包括包含子代的人脸图像的子代图片和包含父亲的人脸图像的父亲图片，或者该第二类生成请求还可以包括包含子代的人脸图像的子代图片和包含母亲的人脸图像的母亲图片。
需要说明的是，上述待处理图片可以直接存储在上述电子设备的本地，此时，上述电子设备可以直接从本地获取待处理图片，生成图片生成请求。此外，用户发送图片生成请求的设备也可以是与上述电子设备相连接的其余电子设备，此时上述电子设备可以通过有线连接方式或者无线连接方式从用户所在的电子设备端获取图片生成请求。其中，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片。
在本实施例中，上述电子设备可以预先训练与各类型的图片生成请求对应的图片生成模型，具体地，可以预先分别训练与第一类生成请求对应的图片生成模型和与第二类生成请求对应的图片生成模型。基于步骤201接收到的图片生成请求，上述电子设备可以根据所接收到的图片生成请求的类型确定与其对应的图片生成模型，而后将所接收到的图片生成请求中的两张待处理图片输入所确定的与该图片生成请求的类型相对应的图片生成模型中，从而可以生成包括有人脸图像的结果图片，该结果图片可以为与输入的待处理图片具有父子、父女、母子、母女等对应关系的图片。当然，这里也不排除输入的图片与生成的结果图片的对应关系还可以为其他亲属关系。可见，图片生成模型可以用于表征输入的待处理图片与生成的结果图片的对应关系。
本申请的上述实施例提供的用于生成图片的方法，根据用户发送的图片生成请求的类型，将父亲图片和母亲图片输入到与第一类生成请求相对应的预先训练的图片生成模型中，或者将包含父亲或母亲的人脸图像的图片和子代图片输入到与第二类生成请求相对应的预先训练的图片生成模型中，从而可以生成与输入的待处理图片对应且包含有人脸图像的结果图片，提高了图片生成的准确性。
在一些可选的实现方式中，如图3所示，步骤202中的“根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片”可以通过如下步骤实现：
步骤301，响应于确定图片生成请求为第一类生成请求，将父亲图片和母亲图片输入预先训练的第一图片生成模型，生成包含有子代的人脸图像的结果图片。
在本实现方式中，上述电子设备可以预先训练与第一类生成请求相对应的第一图片生成模型。在上述电子设备在接收到用户发送的图片生成请求时，其可以在确定该图片生成请求为第一类生成请求之后，将该第一类生成请求中包括的父亲图片和母亲图片输入到与第一类生成请求相对应第一图片生成模型中，从而可以生成包含子代的人脸图像的结果图片，并输出生成的结果图片。其中，该第一图片生成模型可以用于生成包含输入的父亲图片和母亲图片所指示的父母亲的子代的人脸图像的图片。作为示例，对于一对父母中的父亲a和母亲b，上述电子设备向第一图片生成模型中输入该父亲a的照片和母亲b的照片，从而可以生成该对父母的子代c(父亲a和母亲b的儿子或女儿)的照片。
在一些可选的实现方式中，上述第一图片生成模型可以是预先利用深度学习的方法，基于训练样本集对用于进行图像处理的模型(例如，卷积神经网络(convolutionalneuralnetwork，cnn)、深度神经网络(deepneuralnetwork，dnn)等)进行训练后所得到的模型。这里以卷积神经网络为例，卷积神经网络可以包括卷积层、池化层、反池化层和反卷积层，其中，卷积层可以用于提取图像特征，池化层可以用于对输入的信息进行降采样(downsample)，反池化层可以用于对输入的信息进行上采样(upsample)，反卷积层用于对输入的信息进行反卷积，将卷积层的卷积核的转置作为反卷积层的卷积核对所输入的信息进行处理。反卷积是卷积的逆运算，实现了信号的复原。上述卷积神经网络的最后一个反卷积层可以输出优化图片，所输出的优化图片可以用rgb(redgreenblue，红绿蓝)三通道的矩阵进行表达，且所输出的优化图片的大小可以与上述待处理图片相同。实践中，卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图片的处理。需要说明的是，上述电子设备可以利用各种方式(例如有监督训练、无监督训练等方式)训练上述卷积神经网络得到第一图片生成模型。
在一些可选的实现方式中，上述第一图片生成模型可以按照如下训练方式得出：
第一步，上述电子设备可以获取训练样本集。其中，该训练样本集中可以包括大量的训练样本，每个训练样本中可以包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片。这里，上述电子设备可以基于大数据平台获取大量的图片，而后对各图片进行分类、检测等处理，从而可以生成大量的训练样本。例如，对于同一个家庭中的父母亲和子代，上述电子设备可以从大数据平台获取多张父亲图片、一张母亲图片和一张子代图片，此时其首先可以从该多张父亲图片中检测父亲的人脸图像以从中获取最优的图片，将该最优的父亲图片和上述获取的母亲图片、子代图片组成一个训练样本。
第二步，上述电子设备可以将训练样本集中每个训练样本中的父亲图片和母亲图片作为输入，基于训练样本集中每个训练样本中的子代图片和预设的损失函数，使用深度学习的方法训练得到第一图片生成模型。其中，上述损失函数的值可以用于表征上述第一图像生成模型输出的图片与子代图片的差异程度。损失函数越小，上述第一图片生成模型所输出的图片与子代图片的差异程度越小。例如，上述损失函数可以使用欧氏距离函数、hingle-loss函数等表示。在训练过程中，可以使用卷积神经网络，损失函数可以约束卷积核修改的方式和方向，训练的目标为使损失函数的值最小，因而，训练后得到的卷积神经网络中各个卷积核的参数即为损失函数的值为最小值时所对应的参数。
在一些可选的实现方式中，上述第一图片生成模型还可以按照如下训练方式得出：
第一步，上述电子设备可以获取训练样本集。其中，该训练样本集中可以包括大量的训练样本，每个训练样本中可以包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片。这里，上述电子设备可以基于大数据平台获取大量的图片，而后对各图片进行分类等处理，从而生成大量的训练样本。
第二步，上述电子设备可以提取预先建立的生成式对抗网络(generativeadversarialnets，gan)。例如，上述生成式对抗网络可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。其中，上述生成式对抗网络可以包括生成网络和判别网络，上述生成网络可以用于利用所输入的每个训练样本中的父亲图片和母亲图片输出每个训练样本中父亲图片和母亲图片所指示的父母亲的子代的人脸图像的图片，上述判别网络可以用于确定所输入的图片是否为上述生成网络所输出的图片。需要说明的是，上述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，可以依次进行降采样和上采样)；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，上述判别网络也可以是用于实现分类功能的其他模型结构，例如支持向量机(supportvectormachine，svm)。此处，判别网络若判定输入的图片是上述生成网络所输出的图片(来自生成数据)，则可以输出1；若判定输入的图片不是上述生成网络所输出的图片(来自真实数据，即训练样本中的子代图片)，则可以输出0。需要说明的是，判别网络也可以基于预先设定是输出其他数值，不限于1和0。
第三步，基于机器学习方法，将每个训练样本集中的父亲图片和母亲图片作为上述生成网络的输入，将上述生成网络输出的图片和每个训练样本中的子代图片作为上述判别网络的输入，对上述生成网络和上述判别网络进行训练，将训练后的生成网络确定为第一图片生成模型。具体地，可以首先固定生成网络和判别网络中的任一网络(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，对第一网络进行改进。不断进行上述迭代，使判别网络无法区分输入的图片是否是生成网络所生成的，直至最终收敛。此时，上述生成网络所生成的图片与训练样本中的子代图片接近，上述判别网络无法准确区分真实数据和生成数据(即准确率为50％)，可以将此时的生成网络确定为第一图片生成模型。
作为示例，上述第三步操作，可以按照如下训练步骤执行：第一步，固定上述生成网络的参数，将上述训练样本集中的各训练样本中的父亲图片和母亲图片作为上述生成网络的输入，将上述生成网络输出的图片、各训练样本中的子代图片作为上述判别网络的输入，利用机器学习方法对上述判别网络进行训练。需要说明的是，由于生成网络输出的图片均为生成数据，且已知训练样本中的子代图片为真实数据，因此，对于输入到判别网络的图片，可以自动生成用于指示该图片为生成数据或真实数据的标注。第二步，固定训练后的上述判别网络的参数，将上述训练样本集中的各训练样本中的父亲图片和母亲图片作为上述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对上述生成网络进行训练。实践中，上述反向传播算法、上述梯度下降算法是目前广泛研究和应用的公知技术，在此不再赘述。第三步，统计训练后的上述判别网络输出的判别结果的准确率，响应于确定上述准确率为预设数值(例如50％)，将上述生成网络确定为上述第一图片生成模型。
需要说明的是，响应于确定上述准确率不为上述预设数值，上述电子设备可以使用训练后的上述生成网络和上述判别网络重新执行上述训练步骤。
步骤302，响应于确定图片生成请求为包括子代图片和父亲图片的第二类生成请求，将子代图片和父亲图片输入预先训练的第二图片生成模型，得到包含有母亲的人脸图像的结果图片。
在本实现方式中，上述电子设备可以预先训练与第二类生成请求相对应的第二图片生成模型。在上述电子设备在接收到用户发送的图片生成请求时，其可以在确定该图片生成请求为包括子代图片和父亲图片的第二类生成请求之后，将该第二类生成请求中包括的父亲图片和子代图片输入到与第二类生成请求相对应第二图片生成模型，而后可以生成包含母亲的人脸图像的结果图片，并输出生成的结果照片。其中，该第二图片生成模型可以用于生成包含输入子代图片所指示的子代的母亲的人脸图像的图片。作为示例，对于育有一子的一对父母，其中父亲a和儿子c的照片已知，上述电子设备向第二图片生成模型中输入该父亲a的照片和儿子c的照片，可以生成包含有母亲b(父亲a与母亲b为夫妻关系，儿子c与母亲b为母子关系)的人脸图像的照片。
步骤303，响应于确定图片生成请求为包括子代图片和母亲图片的第二类生成请求，将子代图片和母亲图片输入第二图片生成模型，得到包含有父亲的人脸图像的结果图片。在本实施例中，在上述电子设备在接收到用户发送的图片生成请求时，其可以在确定该图片生成请求为包括子代图片和母亲图片的第二类生成请求之后，将该第二类生成请求中包括的母亲图片和子代图片输入到与第二类生成请求相对应第二图片生成模型，而后可以生成包含父亲的人脸图像的结果图片，并输出生成的结果照片。其中，该第二图片生成模型可以用于生成包含输入子代图片所指示的子代的父亲的人脸图像的图片。作为示例，对于育有一子的一对父母，其中母亲b和儿子c的照片已知，上述电子设备向第二图片生成模型中输入该母亲b的照片和儿子c的照片，可以生成包含有父亲a(父亲a与母亲b为夫妻关系，儿子c与父亲a为父子关系)的人脸图像的照片。
在本实现方式中，与第一图片生成模型的训练方法类似，上述第二图片生成模型可以按照如下训练方式得出：
第一步，上述电子设备可以获取训练样本集。其中，该训练样本集中可以包括大量的训练样本，每个训练样本中可以包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片。这里，上述电子设备可以基于大数据平台获取大量的图片，而后对各图片进行分类、检测等处理，从而可以生成大量的训练样本。
第二步，上述电子设备可以将训练样本集中每个训练样本中的父亲图片和母亲图片中的一个、以及子代图片作为输入，基于训练样本集中每个训练样本中的父亲图片和母亲图片中的另一个和预设的损失函数，使用深度学习的方法训练得到第二图片生成模型。作为示例，上述电子设备可以将每个训练样本中的父亲图片和子代图片作为输入，基于训练样本集中每个训练样本中的母亲图片和预设的损失函数，使用深度学习的方法训练得到第二图片生成模型。其中，上述损失函数的值可以用于表征上述第二图片生成模型输出的图片与训练样本中的父亲图片和母亲图片中的另一个的差异程度，损失函数越小，上述第二图片生成模型所输出的图片与父亲图片和母亲图片中的另一个的差异程度越小。例如，若上述电子设备将每个训练样本中的父亲图片和子代图片作为输入，损失函数的值可以用于表征上述第二图片生成模型输出的图片与训练样本中的母亲图片的差异程度，损失函数越小，上述第二图片生成模型所输出的图片与训练样本中的母亲图片的差异程度越小。上述损失函数可以使用欧氏距离函数、hingle函数等表示。在训练过程中，可以使用卷积神经网络，损失函数可以约束卷积核修改的方式和方向，训练的目标为使损失函数的值最小，因而，训练后得到的卷积神经网络中各个卷积核的参数即为损失函数的值为最小值时所对应的参数。
在一些可选的实现方式中，与第一图片生成模型的训练方法类似，上述第二图片生成模型还可以按照如下训练方式得出：
第一步，上述电子设备可以获取训练样本集。其中，该训练样本集中可以包括大量的训练样本，每个训练样本中可以包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片。这里，上述电子设备可以基于大数据平台获取大量的图片，而后对各图片进行分类等处理，从而生成大量的训练样本。
第二步，上述电子设备可以提取预先建立的生成式对抗网络(generativeadversarialnets，gan)。例如，上述生成式对抗网络可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。其中，上述生成式对抗网络可以包括生成网络和判别网络，上述生成网络可以用于利用所输入的每个训练样本中的父亲图片和子代图片输出每个训练样本中子代图片所指示的子代的母亲的人脸图像的图片，以及生成网络还可以用于利用输入的每个训练样本中母亲图片和子代图片输出每个训练样本中子代图片所指示的子代的父亲的人脸图像的图片，上述判别网络可以用于确定所输入的图片是否为上述生成网络所输出的图片。需要说明的是，上述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，可以依次进行降采样和上采样)；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，上述判别网络也可以是用于实现分类功能的其他模型结构，例如支持向量机(supportvectormachine，svm)。此处，判别网络若判定输入的图片是上述生成网络所输出的图片(来自生成数据)，则可以输出1；若判定输入的图片不是上述生成网络所输出的图片(来自真实数据，即训练样本中的子代图片)，则可以输出0。需要说明的是，判别网络也可以基于预先设定是输出其他数值，不限于1和0。
第三步，基于机器学习方法，将每个训练样本集中的父亲图片和母亲图片中的一个、以及子代图片作为上述生成网络的输入，将上述生成网络输出的图片和每个训练样本中父亲图片和母亲图片中的另一个作为上述判别网络的输入，对上述生成网络和上述判别网络进行训练，将训练后的生成网络确定为第二图片生成模型。具体地，可以首先固定生成网络和判别网络中的任一网络(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，对第一网络进行改进。不断进行上述迭代，使判别网络无法区分输入的图片是否是生成网络所生成的，直至最终收敛。此时，上述生成网络所生成的图片与训练样本中的父亲图片和母亲图片中的另一个接近，上述判别网络无法准确区分真实数据和生成数据(即准确率为50％)，可以将此时的生成网络确定为第二图片生成模型。
作为示例，步骤302中的第三步操作，可以按照如下训练步骤执行：第一步，固定上述生成网络的参数，将上述训练样本集中的训练样本中的父亲图片和母亲图片中的一个、以及子代图片作为上述生成网络的输入，将上述生成网络输出的图片、训练样本中父亲图片和母亲图片中的另一个作为上述判别网络的输入，利用机器学习方法对上述判别网络进行训练。需要说明的是，由于生成网络输出的图片均为生成数据，且已知训练样本中的子代图片为真实数据，因此，对于输入到判别网络的图片，可以自动生成用于指示该图片为生成数据或真实数据的标注。第二步，固定训练后的上述判别网络的参数，将上述训练样本集中的各训练样本中的父亲图片和母亲图片中一个、以及子代图片作为上述生成网络的输入，利用机器学习方法、反向传播算法和梯度下降算法对上述生成网络进行训练。实践中，上述反向传播算法、上述梯度下降算法是目前广泛研究和应用的公知技术，在此不再赘述。第三步，统计训练后的上述判别网络输出的判别结果的准确率，响应于确定上述准确率为预设数值(例如50％)，将上述生成网络确定为上述第二图片生成模型。
需要说明的是，响应于确定上述准确率不为上述预设数值，上述电子设备可以使用训练后的上述生成网络和上述判别网络重新执行上述训练步骤。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种网页生成装置的一个实施例，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4所示，本实施例的用于生成图片的装置400包括：接收单元401和生成单元402。其中，接收单元401配置用于接收用户发送的包括两张待处理图片的图片生成请求，其中，图片生成请求为第一类生成请求或第二类生成请求，第一类生成请求中包括包含父亲的人脸图像的父亲图片和包含母亲的人脸图像的母亲图片，第二类生成请求中包括包含子代的人脸图像的子代图片和包含父亲的人脸图像的父亲图片，或者第二类生成请求中包括包含子代的人脸图像的子代图片和包含母亲的人脸图像的母亲图片；生成单元402配置用于根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片，其中，图片生成模型用于表征输入的两张待处理图片与结果图片的对应关系。
在本实施例的一些可选的实现方式中，生成单元402进一步配置用于：响应于确定图片生成请求为第一类生成请求，将父亲图片和母亲图片输入预先训练的第一图片生成模型，生成包含有子代的人脸图像的结果图片，其中，第一图片生成模型用于生成包含所输入的图片中指示的父母亲的子代的人脸图像的图片；响应于确定图片生成请求为包括子代图片和父亲图片的第二类生成请求，将子代图片和父亲图片输入预先训练的第二图片生成模型，得到包含有母亲的人脸图像的结果图片，其中，第二图片生成模型用于生成包含所输入的子代图片中指示的子代的母亲的人脸图像的图片；响应于确定图片生成请求为包括子代图片和母亲图片的第二类生成请求，将子代图片和母亲图片输入第二图片生成模型，得到包含有父亲的人脸图像的结果图片，其中，第二图片生成模型还用于生成包含所输入的子代图片中指示的子代的父亲的人脸图像的图片。
在本实施例的一些可选的实现方式中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片作为输入，基于训练样本集中每个训练样本中的子代图片和预设的损失函数，使用深度学习的方法训练得到第一图片生成模型。
在本实施例的一些可选的实现方式中，第一图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式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每个训练样本中的父亲图片和母亲图片输出每个训练样本中父亲图片和母亲图片所指示的父母亲的子代的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；基于机器学习的方法，将每个训练样本集中的父亲图片和母亲图片作为生成网络的输入，将生成网络输出的图片和每个训练样本中的子代图片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第一图片生成模型。
在本实施例的一些可选的实现方式中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；将训练样本集中每个训练样本中的父亲图片和母亲图片中的一个、以及子代图片作为输入，基于训练样本集中每个训练样本中的父亲图片和母亲图片中的另一个和预设的损失函数，使用深度学习的方法训练得到第二图片生成模型。
在本实施例的一些可选的实现方式中，第二图片生成模型是按照如下训练方式得出的：获取训练样本集，其中，训练样本包括包含父亲的人脸图像的父亲图片、包含母亲的人脸图像的母亲图片和包含子代的人脸图像的子代图片；提取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成网络和判别网络，生成网络用于利用输入的每个训练样本中父亲图片和子代图片输出每个训练样本中子代图片所指示的子代的母亲的人脸图像的图片以及利用输入的每个训练样本中母亲图片和子代图片输出每个训练样本中子代图片所指示的子代的父亲的人脸图像的图片，判别网络用于确定所输入的图片是否为生成网络输出的图片；；基于机器学习的方法，将每个训练样本中父亲图片和母亲图片中的一个、以及子代图片作为生成网络的输入，将生成网络输出的图片和每个训练个样本中父亲图片和母亲图片中的另一个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第二图片生成模型。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
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部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
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申请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，图示了按照本申请各种实施例的系统、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。
描述于本申请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：一种处理器包括接收单元和生成单元。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，接收单元还可以被描述为“接收用户发送的包括两张待处理图片的图片生成请求的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：接收用户发送的包括两张待处理图片的图片生成请求，其中，图片生成请求为第一类生成请求或第二类生成请求，第一类生成请求中包括包含父亲的人脸图像的父亲图片和包含母亲的人脸图像的母亲图片，第二类生成请求中包括包含子代的人脸图像的子代图片和包含父亲的人脸图像的父亲图片，或者第二类生成请求中包括包含子代的人脸图像的子代图片和包含母亲的人脸图像的母亲图片；根据图片生成请求的类型，将两张待处理图片输入与类型对应的预先训练的图片生成模型，生成包含有人脸图像的结果图片，其中，图片生成模型用于表征输入的两张待处理图片与结果图片的对应关系。
以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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。