论文部分内容阅读
生成式对抗网络的提出满足了许多领域的研究和应用需求,但是其仍有一些问题。比如不稳定甚至很难收敛,以及模式缺陷等。为了解决这些问题,在训练GAN(Generative Adversarial Networks,GAN)时可以在将样本送入鉴别器之前对其进行加噪处理。在朴素生成式对抗网络中,训练时需要每一个样本里逐一添加噪声,一方面耗时耗资源,另一方面添加的噪声是伪随机噪声。忆阻器器件可以在类脑计算中充当突触权重的作用,具有功耗低、速度快等优点,但由于本身固有的非理想因素,其计算精度低于基于浮点运算的CPU/GPU。本文使用忆阻器阵列实现生成式对抗网络,在训练时,利用模拟RRAM(Resistive Random-access Memory,RRAM)器件的本征随机噪声作为神经网络的输入,提高了生成数字的多样性,解决生成式对抗网络面临的前述问题。本论文的具体工作包括:1.研究了本征随机噪声——读写噪声在模拟RRAM器件中的独特行为,建立了用于仿真神经网络的忆阻器模型。通过忆阻GAN的仿真,分析了读写噪声对忆阻GAN性能的影响,也分析了读写噪声在神经网络中影响模式。2.针对RRAM的特性,提出了改进的忆阻GAN的训练方法,以减轻RRAM的噪声过大的影响。同时使用了读校验的RRAM电导权重更新的方式,可以对器件噪声有一定程度的容忍,加快忆阻GAN的收敛速度。3.第一次在1Kb模拟RRAM阵列上进行实验,验证了利用RRAM器件来实现忆阻GAN的方案是可行的。经过在线训练,忆阻GAN可以生成不同的数字模式,解决了缺失样本多样性和梯度消失的问题。本文的工作证明了RRAM适合于GAN的应用,也为利用RRAM器件的非理想效应开辟了一条新的途径。