人脸生成模型的训练方法、装置、电子设备及存储介质与流程

本技术涉及计算机，尤其涉及人脸生成模型的训练方法、装置、电子设备及存储介质。

背景技术：

1、目前，在对人脸生成模型进行训练时，可以随机设置一组参数，然后通过损失函数不断优化该人脸生成模型中包括的参数，以得到人脸生成较为准确的人脸生成模型。

2、但是，上述方法中，该随机设置的参数可能不够准确，导致需要通过损失函数对该参数进行多次优化，才可能找到较为合适的参数，导致人脸生成模型的训练效率较慢。

技术实现思路

1、本技术提供一种人脸生成模型的训练方法、装置、电子设备及存储介质，解决了随机设置的参数可能不够准确，导致需要通过损失函数对该参数进行多次优化，才可能找到较为合适的参数，导致人脸生成模型的训练效率较慢的技术问题。

2、第一方面，本技术提供一种人脸生成模型的训练方法，包括：确定全局最优解，该全局最优解为多个粒子在解空间中搜索到的最优位置对应的粒子的值，其中，一个粒子用于表征初始人脸生成模型中的一组参数；基于该全局最优解生成目标人脸生成模型，该目标人脸生成模型用于生成人脸图像。

3、可选地，上述确定全局最优解，具体包括：步骤a：确定该多个粒子中每个粒子在当前位置的适应度，其中，一个粒子在一个位置的适应度用于表征该粒子在该位置的性能；步骤b：更新该每个粒子的速度和位置；迭代执行该步骤a和该步骤b，直至迭代次数大于或等于第一迭代次数阈值，和/或该目标粒子在当前位置的适应度大于或等于适应度阈值；在该迭代次数大于或等于该第一迭代次数阈值，和/或在该目标粒子在当前位置的适应度大于或等于适应度阈值的情况下，将多次迭代中适应度最高的粒子的值，确定为该全局最优解，该目标粒子为该多个粒子中的一个。

4、可选地，上述更新该每个粒子的速度和位置，具体包括：确定该每个粒子在当前位置的余弦相似度；初始化该至少一个粒子的位置和速度，以及基于迭代过程中的最优解以及其他粒子在迭代过程中的最优解更新该其他粒子的位置和速度，该至少一个粒子为余弦相似度大于或等于余弦相似度均值的粒子中的至少一个，该其他粒子为该多个粒子中除该至少一个粒子以外的粒子。

5、可选地，述基于该全局最优解生成目标人脸生成模型，具体包括：将该全局最优解确定为初始人脸生成模型中包括的参数；基于多个真实人脸图像和多个预设噪声，对该初始人脸生成模型进行训练，得到该目标人脸生成模型，该多个真实人脸图像为与该多个预设噪声对应的人脸图像。

6、可选地，述基于多个真实人脸图像和多个预设噪声，对该初始人脸生成模型进行训练，得到该目标人脸生成模型，具体包括：步骤c、将该多个预设噪声输入该初始人脸生成模型，得到多个预测人脸图像；步骤d、将该多个预测人脸图像和该多个真实人脸图像输入初始判别器，得到该每个预测人脸图像的判别结果和该每个真实人脸图像的判别结果，该初始判别器用于判断一个人脸图像是否真实；步骤e、基于该每个预测人脸图像的判别结果更新该初始人脸生成模型中包括的参数；步骤f、基于该每个预测人脸图像的判别结果以及该每个真实人脸图像的判别结果，更新该初始判别器中包括的参数；迭代执行该步骤c、该步骤d、该步骤e以及该步骤f，直至迭代次数大于或等于第二迭代次数阈值；在该迭代次数大于或等于该第二迭代次数阈值的情况下，将最后一次迭代时得到的该初始人脸生成模型中包括的参数，确定为该目标人脸生成模型中包括的参数。

7、可选地，该人脸生成模型的训练方法还包括：将预设噪声输入该目标人脸生成模型，得到目标人脸图像。

8、第二方面，本技术提供一种人脸生成模型的训练装置，包括：确定模块和处理模块；该确定模块，用于确定全局最优解，该全局最优解为多个粒子在解空间中搜索到的最优位置对应的粒子的值，其中，一个粒子用于表征初始人脸生成模型中的一组参数；该处理模块，用于基于该全局最优解生成目标人脸生成模型，该目标人脸生成模型用于生成人脸图像。

9、可选地，适应度，其中，一个粒子在一个位置的适应度用于表征该粒子在该位置的性能；该处理模块，具体用于步骤b：更新该每个粒子的速度和位置；该处理模块，还具体用于迭代执行该步骤a和该步骤b，直至迭代次数大于或等于第一迭代次数阈值，和/或该目标粒子在当前位置的适应度大于或等于适应度阈值；该确定模块，还具体用于在该迭代次数大于或等于该第一迭代次数阈值，和/或在该目标粒子在当前位置的适应度大于或等于适应度阈值的情况下，将多次迭代中适应度最高的粒子的值，确定为该全局最优解，该目标粒子为该多个粒子中的一个。

10、可选地，该确定模块，还具体用于确定该每个粒子在当前位置的余弦相似度；该处理模块，还具体用于初始化该至少一个粒子的位置和速度，以及基于迭代过程中的最优解以及其他粒子在迭代过程中的最优解更新该其他粒子的位置和速度，该至少一个粒子为余弦相似度大于或等于余弦相似度均值的粒子中的至少一个，该其他粒子为该多个粒子中除该至少一个粒子以外的粒子。

11、可选地，该确定模块，还具体用于将该全局最优解确定为初始人脸生成模型中包括的参数；该处理模块，还具体用于基于多个真实人脸图像和多个预设噪声，对该初始人脸生成模型进行训练，得到该目标人脸生成模型，该多个真实人脸图像为与该多个预设噪声对应的人脸图像。

12、可选地，该处理模块，还具体用于步骤c、将该多个预设噪声输入该初始人脸生成模型，得到多个预测人脸图像；该处理模块，还具体用于步骤d、将该多个预测人脸图像和该多个真实人脸图像输入初始判别器，得到该每个预测人脸图像的判别结果和该每个真实人脸图像的判别结果，该初始判别器用于判断一个人脸图像是否真实；该处理模块，还具体用于步骤e、基于该每个预测人脸图像的判别结果更新该初始人脸生成模型中包括的参数；该处理模块，还具体用于步骤f、基于该每个预测人脸图像的判别结果以及该每个真实人脸图像的判别结果，更新该初始判别器中包括的参数；该处理模块，还具体用于迭代执行该步骤c、该步骤d、该步骤e以及该步骤f，直至迭代次数大于或等于第二迭代次数阈值；该确定模块，还具体用于在该迭代次数大于或等于该第二迭代次数阈值的情况下，将最后一次迭代时得到的该初始人脸生成模型中包括的参数，确定为该目标人脸生成模型中包括的参数。

13、可选地，该处理模块，还用于将预设噪声输入该目标人脸生成模型，得到目标人脸图像。

14、第三方面，本技术提供一种电子设备，包括：处理器和被配置为存储处理器可执行指令的存储器；其中，处理器被配置为执行该指令，以实现上述第一方面中任一种可选地人脸生成模型的训练方法。

15、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质上存储有指令，当该计算机可读存储介质中的指令由电子设备执行时，使得该电子设备能够执行上述第一方面中任一种可选地人脸生成模型的训练方法。

16、本技术提供的人脸生成模型的训练方法、装置、电子设备及存储介质，*。本技术中，电子设备可以确定出全局最优解，然后基于该全局最优解生成目标人脸生成模型。本技术中，由于该全局最优解为多个粒子在解空间中搜索到的最优位置对应的粒子的值，并且一个粒子用于表征初始人脸生成模型中的一组参数，因此，该电子设备基于多个粒子在解空间中寻找该全局最优解，可以快速、有效地确定出最优的参数，然后基于该全局最优解生成该目标人脸生成模型，可以提高人脸生成模型训练的效率以及有效性。