本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。
背景技术：
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，在计算机视觉领域得到广泛的研究和应用。对照而言，目前较少研究者关注人脸的老化图像生成和跨年龄人脸识别，而这方面的研究有很大的应用需求。例如，可以用于根据某人幼年时期的人脸图像生成该人成年后的人脸图像，可以用来帮助寻找走失儿童。又例如，可以用于预测某人若干年后的相貌，增加电子设备(例如，手机、电脑等等)的功能，提升用户体验。
技术实现要素：
本申请实施例提出了用于生成信息的方法和装置。
第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄；根据年龄信息确定年龄标签向量；将上述人脸图像和上述年龄标签向量导入预先建立的生成模型，得到生成人脸图像，其中，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配，上述生成模型用于表征人脸图像和年龄标签向量与生成人脸图像的对应关系。
在一些实施例中，上述生成模型是基于机器学习方法通过以下步骤得到的：获取第一样本集，其中，第一样本包括第一样本人脸图像和第一样本年龄标签向量；基于上述第一样本集执行以下第一训练步骤：将上述第一样本集中的至少一个第一样本的第一样本人脸图像和第一样本年龄标签向量输入至预先得到的第一初始神经网络模型，得到针对上述至少一个第一样本中的每个第一样本对应的第一生成人脸图像；对于每个第一生成人脸图像，将该第一生成人脸图像输入预先建立的判别模型，得到该第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配、以及该第一生成人脸图像为真实人脸图像的概率，以及计算该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度；根据得到的概率和计算的相似度确定上述第一初始神经网络模型是否达到预设的第一优化目标；响应于确定上述第一初始神经网络模型达到预设的第一优化目标，将上述第一初始神经网络模型作为训练完成的生成模型。
在一些实施例中，基于机器学习方法得到上述生成模型的步骤还包括：响应于确定上述第一初始神经网络模型未达到预设的第一优化目标，基于上述概率和上述相似度调整上述第一初始神经网络模型的模型参数，继续执行上述第一训练步骤。
在一些实施例中，上述判别模型是通过以下步骤训练得到的：获取第二样本集，其中，第二样本包括第二样本人脸图像、第二样本年龄标签向量和标注信息，第二样本人脸图像包括正样本人脸图像和负样本人脸图像，其中，正样本人脸图像为真实人脸图像，负样本人脸图像为上述生成模型生成的人脸图像，标注信息用于标注正样本人脸图像和负样本人脸图像；基于上述第二样本集执行以下第二训练步骤：将上述第二样本集中的至少一个第二样本的第二样本人脸图像和第二样本年龄标签向量输入预先建立的第二初始神经网络模型，得到上述至少一个第二样本中的每个第二样本的第二样本人脸图像所包含的人脸对象的年龄与第二样本年龄标签向量对应的年龄相匹配、以及该第二样本人脸图像为真实人脸图像的概率；将上述至少一个第二样本中的每个第二样本对应的概率与对应的标注信息进行对比；根据对比结果确定上述第二初始神经网络模型是否达到预设的第二优化目标；响应于确定上述第二初始神经网络模型达到预设的第二优化目标，将上述第二初始神经网络模型作为训练完成的判别网络。
在一些实施例中，得到上述判别模型的步骤还包括：响应于确定上述第二初始神经网络模型未达到预设的第二优化目标，调整上述第二初始神经网络模型的模型参数，继续执行上述第二训练步骤。
在一些实施例中，上述根据年龄信息确定年龄标签向量，包括：确定上述年龄信息的所属年龄类别，其中，年龄类别是根据年龄段划分得到的；根据预先设定的年龄类别与年龄标签向量的对应关系，确定上述年龄信息所属的年龄类别的年龄标签向量；将确定的年龄标签向量作为上述年龄信息的年龄标签向量。
在一些实施例中，上述年龄标签向量为独热码向量。
第二方面，本申请实施例提供了一种用于生成信息的装置，装置包括：接收单元，用于接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄；确定单元，用于根据年龄信息确定年龄标签向量；生成单元，用于将上述人脸图像和上述年龄标签向量导入预先建立的生成模型，得到生成人脸图像，其中，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配，上述生成模型用于表征人脸图像和年龄标签向量与生成人脸图像的对应关系。
在一些实施例中，上述装置还包括生成模型训练单元，上述生成模型训练单元包括：第一获取单元，用于获取第一样本集，其中，第一样本包括第一样本人脸图像和第一样本年龄标签向量；第一执行单元，用于基于上述第一样本集执行以下第一训练步骤：将上述第一样本集中的至少一个第一样本的第一样本人脸图像和第一样本年龄标签向量输入至预先得到的第一初始神经网络模型，得到针对上述至少一个第一样本中的每个第一样本对应的第一生成人脸图像；对于每个第一生成人脸图像，将该第一生成人脸图像输入预先建立的判别模型，得到该第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配、以及该第一生成人脸图像为真实人脸图像的概率，以及计算该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度；根据得到的概率和计算的相似度确定上述第一初始神经网络模型是否达到预设的第一优化目标；响应于确定上述第一初始神经网络模型达到预设的第一优化目标，将上述第一初始神经网络模型作为训练完成的生成模型。
在一些实施例中，上述生成模型训练单元还包括：第一调整单元，用于响应于确定上述第一初始神经网络模型未达到预设的第一优化目标，基于上述概率和上述相似度调整上述第一初始神经网络模型的模型参数，继续执行上述第一训练步骤。
在一些实施例中，上述装置还包括判别模型训练单元，上述判别模型训练单元包括：第二获取单元，用于获取第二样本集，其中，第二样本包括第二样本人脸图像、第二样本年龄标签向量和标注信息，第二样本人脸图像包括正样本人脸图像和负样本人脸图像，其中，正样本人脸图像为真实人脸图像，负样本人脸图像为上述生成模型生成的人脸图像，标注信息用于标注正样本人脸图像和负样本人脸图像；第二执行单元，用于基于上述第二样本集执行以下第二训练步骤：将上述第二样本集中的至少一个第二样本的第二样本人脸图像和第二样本年龄标签向量输入预先建立的第二初始神经网络模型，得到上述至少一个第二样本中的每个第二样本的第二样本人脸图像所包含的人脸对象的年龄与第二样本年龄标签向量对应的年龄相匹配、以及该第二样本人脸图像为真实人脸图像的概率；将上述至少一个第二样本中的每个第二样本对应的概率与对应的标注信息进行对比；根据对比结果确定上述第二初始神经网络模型是否达到预设的第二优化目标；响应于确定上述第二初始神经网络模型达到预设的第二优化目标，将上述第二初始神经网络模型作为训练完成的判别网络。
在一些实施例中，上述判别模型训练单元还包括：第二调整单元，用于响应于确定上述第二初始神经网络模型未达到预设的第二优化目标，调整上述第二初始神经网络模型的模型参数，继续执行上述第二训练步骤。
在一些实施例中，上述确定单元进一步用于：确定上述年龄信息的所属年龄类别，其中，年龄类别是根据年龄段划分得到的；根据预先设定的年龄类别与年龄标签向量的对应关系，确定上述年龄信息所属的年龄类别的年龄标签向量；将确定的年龄标签向量作为上述年龄信息的年龄标签向量。
在一些实施例中，上述年龄标签向量为独热码向量。
第三方面，本申请实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请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，其中，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置，首先接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄，而后根据上述年龄信息确定年龄标签向量，最后将上述人脸图像和上述年龄标签向量导入预先建立的生成模型，得到生成人脸图像，其中，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配，从而根据人脸图像和年龄信息生成人脸老化后的人脸图像，实现了信息的生成。
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信息的方法的一个实施例的流程图；
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；
图4是根据本申请的用于生成信息的方法中基于机器学习方法训练得到生成模型的方法的一个实施例的流程图；
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的终端设备或服务器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实施例的用于生成信息的方法或用于生成信息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，例如摄影摄像类应用、图像处理类应用、搜索类应用等。
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，可以是具有显示屏并且支持图像显示的各种电子设备，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。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。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)，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上显示的图像或图形提供支持的后台服务器。后台服务器可以将数据(例如图像数据)反馈给终端设备，以供终端设备进行展示。
需要说明的是，本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行，还可以通过服务器105和终端设备101、102、103共同执行，相应地，用于生成信息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，还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。本申请对此不做限定。
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)，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。
继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：
步骤201，接收人脸图像和年龄信息。
在本实施例中，用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄。在这里，上述年龄信息可以是表征年龄的各种信息，例如，具体的年龄(12岁、32岁等等)。作为示例，用户希望根据一张20岁的人脸图像预测该张人脸图像上的人40岁时的长相，此时，用户可以向执行主体发送该张人脸图像以及年龄信息：40岁。
步骤202，根据年龄信息确定年龄标签向量。
在本实施例中，上述执行主体可以根据步骤201中接收到的年龄信息确定年龄标签向量。作为示例，上述执行主体中可以预先存储有年龄信息与年龄标签向量的对应关系表。这样，上述执行主体可以将步骤201中接收到年龄信息与该对应关系表中的年龄信息进行比较，若该对应关系表中的一条年龄信息与接收到的年龄信息相同或相近，则将该对应关系表中的该年龄信息对应的年龄标签向量作为接收到年龄信息的年龄标签向量。
在本实施例的一些可选的实现方式中，上述步骤202可以具体包括：首先，上述执行主体可以确定上述年龄信息的所属年龄类别，其中，年龄类别是根据年龄段划分得到的。作为示例，可以预先将人的年龄划分为若干个年龄段，每个年龄段作为一个年龄类别，上述执行主体可以根据上述年龄信息所表征的年龄确定上述年龄信息所属的年龄类别。之后，上述执行主体可以根据预先设定的年龄类别与年龄标签向量的对应关系，确定上述年龄信息所属的年龄类别的年龄标签向量。最后，上述执行主体可以将确定的年龄标签向量作为上述年龄信息的年龄标签向量。
在一些可选的实现方式中，上述年龄标签向量可以为独热码向量。作为示例，可以预先将人的年龄划分为5个年龄段：0-20，21-30，31-40，41-50，50+，那么这5个年龄段对应的独热码向量可以分别为：00001，00010，00100，01000，10000。需要说明的是，本实现方式中的年龄划分方式仅仅是示意性的，而非对年龄划分方式的限定，实际使用中，可以根据实际需要将人的年龄划分为任意个年龄段。
步骤203，将人脸图像和年龄标签向量导入预先建立的生成模型，得到生成人脸图像。
在本实施例中，上述执行主体中可以存储有预先建立的生成模型，上述生成模型可以用于表征人脸图像和年龄标签向量与生成人脸图像的对应关系。这样，上述执行主体可以将步骤201接收到的人脸图像和步骤202中确定的年龄标签向量导入上述生成模型，得到生成人脸图像。在这里，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配。
作为示例，上述生成模型可以是上述执行主体或者其他用于训练上述生成模型的电子设备通过以下方式训练得到的：首先，可以获取样本集。其中，样本包括样本人脸图像、样本年龄标签向量和老化人脸图像。其中，样本人脸图像和老化人脸图像包含同一人的人脸信息，且老化人脸图像中人脸对象所对应的年龄与样本年龄标签向量所对应的年龄相同。例如，样本人脸图像为张三20岁时的人脸图像，样本年龄标签向量对应的年龄为40岁，则老化人脸图像为张三40岁时的人脸图像。然后，基于上述样本集可以执行以下训练步骤：将上述样本集中的至少一个样本的样本人脸图像和样本年龄标签向量输入至预先得到的初始神经网络模型，得到针对上述至少一个样本中的每个样本对应的生成人脸图像，在这里，上述初始神经网络模型可以包括但不限于卷积神经网络、深度神经网络模型等等。对于每个样本对应的生成人脸图像，计算该生成人脸图像与该样本中的老化人脸图像之间的相似度。根据计算的相似度确定上述初始神经网络模型是否达到预设的优化目标。作为示例，上述优化目标可以是生成人脸图像与老化人脸图像之间的相似度大于预设阈值。响应于确定上述初始神经网络模型达到预设的优化目标，将上述初始神经网络模型作为训练完成的生成模型。响应于确定上述初始神经网络模型未达到预设的优化目标，基于相似度调整上述初始神经网络模型的模型参数，并继续执行上述训练步骤。
继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过终端设备301输入一张20岁人的人脸图像a和年龄信息“45岁”。之后，终端设备301根据年龄信息“45岁”确定年龄标签向量01000；终端设备301将上述人脸图像a和年龄标签向量01000导入预先建立的生成模型，得到生成人脸图像b，其中，人脸图像a和生成人脸图像b包含同一人的人脸信息，且生成人脸图像b中的人脸对象对应的年龄与45岁相匹配。
本申请的上述实施例提供的方法使用预先建立的生成模型，根据人脸图像和年龄信息生成人脸老化后的人脸图像，实现了信息的生成。
进一步参考图4，其示出了基于机器学习方法训练得到生成模型的方法的实施例的流程400。该训练生成模型的方法的实施例的流程400，包括以下步骤：
步骤401，获取第一样本集。
在本实施例中，上述执行主体或者其他用于训练上述生成模型的电子设备可以获取第一样本集，其中，第一样本集中的第一样本可以包括第一样本人脸图像和第一样本年龄标签向量，在这里，第一样本年龄标签向量表征的年龄可以大于第一样本人脸图像中人脸对象所对应的人的年龄。
步骤402，基于第一样本集执行第一训练步骤。
在本实施例中，上述执行主体或者其他用于训练上述生成模型的电子设备基于上述第一样本集可以执行以下第一训练步骤，其中，上述第一训练步骤可以具体包括：
步骤4021，将上述第一样本集中的至少一个第一样本的第一样本人脸图像和第一样本年龄标签向量输入至预先得到的第一初始神经网络模型，得到针对上述至少一个第一样本中的每个第一样本对应的第一生成人脸图像。
在这里，上述初始神经网络模型可以是未经训练的神经网络模型或未训练完成的神经网络模型，例如，卷积神经网络、深度神经网络等等。
步骤4022，对于每个第一生成人脸图像，将该第一生成人脸图像输入预先建立的判别模型，得到该第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配、以及该第一生成人脸图像为真实人脸图像的概率，以及计算该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度。
在这里，相似度可以包括但不限于余弦相似度、杰卡德相似系数、欧氏距离等等。其中，与该第一生成人脸图像对应的第一样本年龄标签向量可以是指生成该第一生成人脸图像时向第一初始神经网络模型输入的第一样本年龄标签向量。与该第一生成人脸图像对应的第一样本人脸图像可以是指生成该第一生成人脸图像时向第一初始神经网络模型输入的第一样本人脸图像。在这里，上述判别模型可以用于判断一张第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配，且该第一生成人脸图像为真实人脸图像的概率。
作为示例，上述计算该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度，可以具体包括：首先，可以分别提取该第一生成人脸图像和该第一生成人脸图像对应的第一样本人脸图像的特征。然后，计算该第一生成人脸图像的特征和该第一生成人脸图像对应的第一样本人脸图像的特征的欧氏距离，得到该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度。
步骤4023，根据得到的概率和计算的相似度确定上述第一初始神经网络模型是否达到预设的第一优化目标。
作为一个示例，上述优化目标可以是指得到的概率和相似度达到预设的阈值。作为另一个示例，当一张生成人脸图像对应的概率和相似度达到预设的阈值时，认为该第一生成人脸图像准确，此时，上述优化目标可以是指上述第一初始神经网络模型生成的第一生成人脸图像的准确率大于预设的准确率阈值。
步骤4024，响应于确定上述第一初始神经网络模型达到预设的第一优化目标，将上述第一初始神经网络模型作为训练完成的生成模型。
在本实施例的一些可选的实现方式中，上述训练生成模型的方法还可以包括：
步骤403，响应于确定上述第一初始神经网络模型未达到预设的第一优化目标，基于上述概率和上述相似度调整上述第一初始神经网络模型的模型参数，继续执行上述第一训练步骤。作为示例，上述执行主体或者其他用于训练上述生成模型的电子设备，可以基于上述概率和上述相似度采用反向传播算法(backpropgationalgorithm，bp算法)和梯度下降法(例如随机梯度下降算法)对上述第一初始神经网络模型的模型参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，上述判别模型可以是上述执行主体或者其他用于训练上述判别模型的电子设备通过以下步骤训练得到的：
步骤s10，获取第二样本集。
在本实现方式中，上述执行主体或者其他用于训练上述判别模型的电子设备可以获取第二样本集，其中，第二样本可以包括第二样本人脸图像、第二样本年龄标签向量和标注信息，第二样本人脸图像可以包括正样本人脸图像和负样本人脸图像，其中，正样本人脸图像为真实人脸图像，负样本人脸图像为上述生成模型生成的人脸图像，标注信息用于标注正样本人脸图像和负样本人脸图像。例如，标注信息可以为1和0，其中，1表示正样本人脸图像，0表示负样本人脸图像。在这里，第二样本年龄标签向量表征的年龄可以与第二样本人脸图像中人脸对象所对应的人的年龄相匹配。
步骤s20，基于上述第二样本集执行第二训练步骤。
在本实现方式中，上述执行主体或者其他用于训练上述判别模型的电子设备可以基于上述第二样本集执行第二训练步骤，其中，上述第二训练步骤可以具体包括：
步骤s201，将上述第二样本集中的至少一个第二样本的第二样本人脸图像和第二样本年龄标签向量输入预先建立的第二初始神经网络模型，得到上述至少一个第二样本中的每个第二样本的第二样本人脸图像所包含的人脸对象的年龄与第二样本年龄标签向量对应的年龄相匹配、以及该第二样本人脸图像为真实人脸图像的概率。在这里，上述第二初始神经网络模型可以是未经训练的神经网络模型或未训练完成的神经网络模型，例如，卷积神经网络、深度神经网络等等。
步骤s202，将上述至少一个第二样本中的每个第二样本对应的概率与对应的标注信息进行对比。
步骤s203，根据对比结果确定上述第二初始神经网络模型是否达到预设的第二优化目标。作为示例，上述第二优化目标可以是得到的概率与标注信息之间的差异小于预设的差异阈值。作为另一个示例，当得到的概率与标注信息之间的差异小于预设的差异阈值时，认为第二初始神经网络模型预测准确，此时，上述第二优化目标可以是上述第二初始神经网络模型的预测准确率大于预设准确率阈值。
步骤s204，响应于确定上述第二初始神经网络模型达到预设的第二优化目标，可以将上述第二初始神经网络模型作为训练完成的判别网络。
在一些可选的实现方式中，上述训练判别模型的步骤还可以包括：
步骤s30，响应于确定上述第二初始神经网络模型未达到预设的第二优化目标，调整上述第二初始神经网络模型的模型参数，继续执行上述第二训练步骤。作为示例，上述执行主体或者其他用于训练上述判别模型的电子设备可以基于得到的对比结果，采用反向传播算法(backpropgationalgorithm，bp算法)和梯度下降法(例如随机梯度下降算法)对上述第二初始神经网络模型的模型参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。
本申请的上述实施例提供的训练生成模型的方法，在生成模型的训练过程中，生成模型的模型参数是基于第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配、且该第一生成人脸图像为真实人脸图像的概率，以及该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度更新的，因此，可以保证生成模型所生成的生成人脸图像所包含的人脸对象的年龄与对应的年龄标签向量对应的年龄相匹配，还可以提高生成模型所生成的生成人脸图像的真实性，并且可以保证生成的生成人脸图像与输入的人脸图像之间的相似性，即保证输入和输出为同一人的人脸图像。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息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信息的装置500包括：接收单元501、确定单元502和生成单元503。其中，接收单元501用于接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄；确定单元502用于根据年龄信息确定年龄标签向量；生成单元503用于将上述人脸图像和上述年龄标签向量导入预先建立的生成模型，得到生成人脸图像，其中，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配，上述生成模型用于表征人脸图像和年龄标签向量与生成人脸图像的对应关系。
在本实施例中，用于生成信息的装置500的接收单元501、确定单元502和生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述装置500还可以包括生成模型训练单元(图中未示出)，上述生成模型训练单元可以包括：第一获取单元(图中未示出)，用于获取第一样本集，其中，第一样本包括第一样本人脸图像和第一样本年龄标签向量；第一执行单元(图中未示出)，用于基于上述第一样本集执行以下第一训练步骤：将上述第一样本集中的至少一个第一样本的第一样本人脸图像和第一样本年龄标签向量输入至预先得到的第一初始神经网络模型，得到针对上述至少一个第一样本中的每个第一样本对应的第一生成人脸图像；对于每个第一生成人脸图像，将该第一生成人脸图像输入预先建立的判别模型，得到该第一生成人脸图像所包含的人脸对象的年龄与该第一生成人脸图像对应的第一样本年龄标签向量对应的年龄相匹配、以及该第一生成人脸图像为真实人脸图像的概率，以及计算该第一生成人脸图像与该第一生成人脸图像对应的第一样本人脸图像之间的相似度；根据得到的概率和计算的相似度确定上述第一初始神经网络模型是否达到预设的第一优化目标；响应于确定上述第一初始神经网络模型达到预设的第一优化目标，将上述第一初始神经网络模型作为训练完成的生成模型。
在本实施例的一些可选的实现方式中，上述生成模型训练单元还可以包括：第一调整单元(图中未示出)，用于响应于确定上述第一初始神经网络模型未达到预设的第一优化目标，基于上述概率和上述相似度调整上述第一初始神经网络模型的模型参数，继续执行上述第一训练步骤。
在本实施例的一些可选的实现方式中，上述装置500还包括判别模型训练单元(图中未示出)，上述判别模型训练单元可以包括：第二获取单元(图中未示出)，用于获取第二样本集，其中，第二样本包括第二样本人脸图像、第二样本年龄标签向量和标注信息，第二样本人脸图像包括正样本人脸图像和负样本人脸图像，其中，正样本人脸图像为真实人脸图像，负样本人脸图像为上述生成模型生成的人脸图像，标注信息用于标注正样本人脸图像和负样本人脸图像；第二执行单元(图中未示出)，用于基于上述第二样本集执行以下第二训练步骤：将上述第二样本集中的至少一个第二样本的第二样本人脸图像和第二样本年龄标签向量输入预先建立的第二初始神经网络模型，得到上述至少一个第二样本中的每个第二样本的第二样本人脸图像所包含的人脸对象的年龄与第二样本年龄标签向量对应的年龄相匹配、以及该第二样本人脸图像为真实人脸图像的概率；将上述至少一个第二样本中的每个第二样本对应的概率与对应的标注信息进行对比；根据对比结果确定上述第二初始神经网络模型是否达到预设的第二优化目标；响应于确定上述第二初始神经网络模型达到预设的第二优化目标，将上述第二初始神经网络模型作为训练完成的判别网络。
在本实施例的一些可选的实现方式中，上述判别模型训练单元还可以包括：第二调整单元(图中未示出)，用于响应于确定上述第二初始神经网络模型未达到预设的第二优化目标，调整上述第二初始神经网络模型的模型参数，继续执行上述第二训练步骤。
在本实施例的一些可选的实现方式中，上述确定单元502可以进一步用于：确定上述年龄信息的所属年龄类别，其中，年龄类别是根据年龄段划分得到的；根据预先设定的年龄类别与年龄标签向量的对应关系，确定上述年龄信息所属的年龄类别的年龄标签向量；将确定的年龄标签向量作为上述年龄信息的年龄标签向量。
在本实施例的一些可选的实现方式中，上述年龄标签向量为独热码向量。
下面参考图6，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例，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6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，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610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608。
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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601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、确定单元和生成单元。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“接收人脸图像和年龄信息的单元”。
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：接收人脸图像和年龄信息，其中，上述年龄信息表征的年龄大于上述人脸图像中人脸对象所对应的人的年龄；根据年龄信息确定年龄标签向量；将上述人脸图像和上述年龄标签向量导入预先建立的生成模型，得到生成人脸图像，其中，上述人脸图像和上述生成人脸图像包含同一人的人脸信息，以及上述生成人脸图像中的人脸对象对应的年龄与上述年龄信息表征的年龄相匹配，上述生成模型用于表征人脸图像和年龄标签向量与生成人脸图像的对应关系。
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。