1.一种信息最大化生成对抗网络模型合成人脸样本质量评估方法，其特征在于：基于信息最大化的生成对抗网络由生成器G与判别器D构成，生成器G负责利用随机噪声向量z与潜在编码c合成我们预期的样本G(z,c)，并通过调节潜在编码c的维度，使其合成的样本具有可解释性；而判别器D则负责对合成人脸样本G(z,c)与真实样本X进行区分，生成器G与判别器D交替训练，直到判别器D无法区分某一个样本是来自合成人脸样本集还是真实样本集为止，基于信息最大化的生成对抗网络的目标函数为：I(c；G(z,c))表示潜在编码c与合成人脸样本G(z,c)之间的互信息，若固定G，则I(c；G(z,c))保持不变，此时仅需要考虑如何最大化D，此时的目标函数简化为：*

为了计算V(D ,G)的最大值，转化为求下面公式(3)的最大值，f(D(x))＝pdata(x)logD(x)+pg(x)log(1‑D(x))      (3)由于G固定，所以pg(x)是已知的；同时真实样本集X是已知的，所以pdata(x)是已知的，那*么这就转化为一个极值问题，当且仅当D＝D时，f(D(x))取得最大值，*

将D带入到公式(2)中可得：

在信息论中，KL散度用于衡量近似分布P(x)与真实分布Q(x)的差异，表达式为：于是在公式(5)中引入KL散度，可得：

由于KL散度是不对称的并且它不能表示近似分布与真实分布之间的距离，所以KL散度不适合用于生成对抗网络，于是引入了JS散度，因此公式(7)转化为：

*

V(D ,G)＝‑2log2+2JSD(pdata(x)||pg(x)) (9)初始时刻合成分布pg(x)与真实分布pdata(x)之间的距离对JSD影响较大，假如初始时刻两个分布不重叠，那么JSD为常数，此时会出现梯度消失的现象；当两个分布重叠时，JSD的值为log2，JSD的变化是不连续的；

信息最大化生成对抗网络合成的一系列特征连续变化的人脸样本，构成合成人脸样本集，并作为评估对象，评估方法包括：S1、数据预处理；

S1中，数据预处理方法为：对合成人脸样本集进行归一化处理，使合成人脸样本的像素值统一到[0,1]之间，合成人脸样本集中的80％用于训练，20％用于测试；

S2、采用卷积神经网络构建合成人脸样本集的评估模型，包括：输入层

输入层读取合成人脸样本，将图像数据转化为二维矩阵；

卷积‑池化层

卷积层提取合成人脸样本的特征，不同的卷积核用于提取不同的特征，浅层卷积层用于提取低级特征，深层卷积层用于提取高级的语义特征，根据图像的复杂程度选择合适的卷积层数，卷积层中输出的新的像素点由以下公式计算得出：其中，f(·)代表激活函数， 代表上一层特征图像的某个像素值， 代表卷积核，*代表卷积运算；考虑到本层输出可以与上一层多个特征图像关联，Mj表示参与运算的上一层的特征图像的子集； 代表偏置项，上标l表示第l层，池化层进一步对提取的特征进行降维处理，在卷积运算后得到的特征矩阵的基础上，加入最大池化处理，池化操作中每个神经元对应卷积中每一个N×1位置，其公式为：其中，u(n,1)是卷积操作的一个窗函数，aj对应图像区域的最大值；

SoftMax层

SoftMax层将池化层的输出值映射为相应的概率值，最终选择概率值最大所在的类别(i) (i) (1)作为模型分类的结果，假设输入特征记为x ，样本标签记为y ，构成训练集S＝{(x ,y(1) (m) (m)),…,(x ,y )}，对于给定的输入x，利用假设模型对每个类别j估算其概率值p(y＝j|x)，假设函数为：其中，θ1,θ2,…,θk为可学习的模型参数， 为归一化项，使得所有概率之和为1，从而得到代价函数：其中，1{·}为一个指示性函数，当括号内的值为真时，函数的结果为1，否则为0；所述假设函数是对逻辑回归的推广，因此代价函数可以改为：对于SoftMax代价函数J(θ)求其偏导数，得到梯度公式：为一个向量，它的第l个元素 是J(θ)对θj的第l个分量的偏导数；

得到以上求解偏导数公式后，使用随机梯度下降算法对代价函数J(θ)进行最小化，在每次迭代过程中都需要对参数进行更新： 最后实现SoftMax回归分类模型；

S3、通过S2中构建的评估模型对合成人脸样本进行评估质量好的合成人脸样本,由于生成对抗网络模型的机制，质量好的样本其概率分布pg(x)与原始样本的概率分布pdata(x)相近，所以通过分类模型训练测试时可以得到较高的准确率；

质量差的合成人脸样本,则因其分布pg(x)离原始样本分布pdata(x)较远，且存在较多的可能性，所以其样本间差别较大，经分类模型进行训练测试时准确率较低；

所述合成人脸样本集以香港中文大学开源的CelebA数据集作为基准生成。