游戏开发的资源管理方法及其系统与流程

1.本技术涉及资源管理领域，且更为具体地，涉及一种游戏开发的资源管理方法及其系统。


背景技术：

2.在游戏开发过程中，均需要使用大量的图片资源，例如：游戏中的人物模型、场景画面、道具图标等。
3.然而，现有技术中这些图片资源通常需要专业的ui工作人员为不同游戏分别进行设计，从而绘制出不同的图片资源供开发者使用。
4.综上可知，现有技术中存在以下问题：
5.第一、图片资源的生产成本较高，为公司运营成本增加负担；
6.第二、图片资源的生产效率较低，影响游戏开发效率，进而影响游戏的上线时间。
7.因此，期待一种优化的游戏开发的资源管理方案。


技术实现要素：

8.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种游戏开发的资源管理方法及其系统，其通过对抗生成思想来构造图像资源生成器。在训练过程中，将训练生成图像和图像资源的真实图像输入对抗生成网络的鉴别器以得到鉴别器损失函数值后，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络进行训练，以使得由所述对抗生成网络生成的图像资源尽可能地与所述真实图像的自然图像语义分布相一致。在推断过程中，将文本描述的高维语义理解特征输入训练完成的所述对抗生成网络的生成器以得到生成图像。这样，使得生成的图像资源能够与ui工作人员设计的图像资源相接近，也就是，生成符合需求的图像资源。
9.根据本技术的一个方面，提供了一种游戏开发的资源管理方法，其包括：
10.训练阶段，包括：
11.获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像；
12.将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量；
13.将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像；
14.对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；
15.将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值；以及
16.以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对
抗生成网络和所述包含词嵌入层的上下文编码器进行训练；和
17.推断阶段，包括：
18.获取待生成图像资源的文本描述；
19.将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量；以及
20.将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
21.在上述游戏开发的资源管理方法中，所述将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量，包括：对所述训练待生成图像资源的文本描述进行分词处理以得到词序列；使用所述包含词嵌入层的上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，将所述多个特征向量级联以得到所述训练文本描述理解特征向量。
22.在上述游戏开发的资源管理方法中，所述使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量，包括：将所述词向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述词向量的序列中各个词向量作为值向量分别进行相乘以得到所述多个特征向量。
23.在上述游戏开发的资源管理方法中，所述对抗生成网络的生成器包含多个相互级联的反卷积层。
24.在上述游戏开发的资源管理方法中，所述对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像，包括：以如下公式对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；其中，所述公式为：
[0025][0026]mi,j
是所述训练生成图像的第(i,j)位置的特征值，m
i,j
'是所述优化训练生成图像的第(i,j)位置的特征值，w和h是所述训练生成图像的宽度和高度，且log表示以2为底的对数。
[0027]
在上述游戏开发的资源管理方法中，所述将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值，包括：将所述优化训练生成图像输入所述鉴别器以获得第一特征图；将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征
图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
[0028]
根据本技术的另一方面，提供了一种游戏开发的资源管理系统，包括：
[0029]
训练模块，包括：
[0030]
训练数据获取单元，用于获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像；
[0031]
训练文本理解单元，用于将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量；
[0032]
训练图像生成单元，用于将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像；
[0033]
优化单元，用于对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；
[0034]
鉴别损失单元，用于将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值；以及
[0035]
训练单元，用于以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练；和
[0036]
推断阶段，包括：
[0037]
文本获取单元，用于获取待生成图像资源的文本描述；
[0038]
文本理解单元，用于将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量；以及图像生成单元，用于将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0039]
在上述游戏开发的资源管理系统中，所述训练文本理解单元，进一步用于：对所述训练待生成图像资源的文本描述进行分词处理以得到词序列；使用所述包含词嵌入层的上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，将所述多个特征向量级联以得到所述训练文本描述理解特征向量。
[0040]
在上述游戏开发的资源管理系统中，所述训练文本理解单元，进一步用于：对所述训练待生成图像资源的文本描述进行分词处理以得到词序列；使用所述包含词嵌入层的上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，将所述多个特征向量级联以得到所述训练文本描述理解特征向量。其中，所述使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量，进一步用于：将所述词向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力
特征矩阵与以所述词向量的序列中各个词向量作为值向量分别进行相乘以得到所述多个特征向量。
[0041]
在上述游戏开发的资源管理系统中，所述对抗生成网络的生成器包含多个相互级联的反卷积层。
[0042]
在上述游戏开发的资源管理系统中，所述优化单元，进一步用于：以如下公式对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；其中，所述公式为：
[0043][0044]mi,j
是所述训练生成图像的第(i,j)位置的特征值，m
i,j
'是所述优化训练生成图像的第(i,j)位置的特征值，w和h是所述训练生成图像的宽度和高度，且log表示以2为底的对数。
[0045]
在上述游戏开发的资源管理系统中，所述鉴别损失单元，进一步用于：将所述优化训练生成图像输入所述鉴别器以获得第一特征图；将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
[0046]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的游戏开发的资源管理方法。
[0047]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的游戏开发的资源管理方法。
[0048]
与现有技术相比，本技术提供的游戏开发的资源管理方法及其系统，其通过对抗生成思想来构造图像资源生成器。在训练过程中，将训练生成图像和图像资源的真实图像输入对抗生成网络的鉴别器以得到鉴别器损失函数值后，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络进行训练，以使得由所述对抗生成网络生成的图像资源尽可能地与所述真实图像的自然图像语义分布相一致。在推断过程中，将文本描述的高维语义理解特征输入训练完成的所述对抗生成网络的生成器以得到生成图像。这样，使得生成的图像资源能够与ui工作人员设计的图像资源相接近，也就是，生成符合需求的图像资源。
附图说明
[0049]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明
书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0050]
图1a为根据本技术实施例的游戏开发的资源管理方法中训练阶段的流程图。
[0051]
图1b为根据本技术实施例的游戏开发的资源管理方法中推断阶段的流程图。
[0052]
图2a为根据本技术实施例的游戏开发的资源管理方法中训练阶段的架构图。
[0053]
图2b为根据本技术实施例的游戏开发的资源管理方法中推断阶段的架构图。
[0054]
图3为根据本技术实施例的游戏开发的资源管理方法中将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量的流程图。
[0055]
图4为根据本技术实施例的游戏开发的资源管理方法中将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值的流程图。
[0056]
图5为根据本技术实施例的游戏开发的资源管理系统的框图。
[0057]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0058]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0059]
申请概述
[0060]
如上述背景技术所言，现有技术中图片资源通常需要专业的ui工作人员为不同游戏分别进行设计，从而绘制出不同的图片资源供开发者使用。但是，图片资源的生产成本较高，为公司运营成本增加负担；且图片资源的生产效率较低，影响游戏开发效率，进而影响游戏的上线时间。因此，期待一种优化的游戏开发的资源管理方案，其能够基于人工智能技术生成符合需求的图像资源。
[0061]
针对上述技术问题，可通过对抗生成思想来构造图像资源生成器，以由所述图像资源生成器来生成满足需求的图像资源，这样可以减轻对专业的ui工作人员的依赖度，降低企业运营成本。
[0062]
具体地，在所述对抗生成网络的训练过程中，首先获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像。接着，将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量。
[0063]
具体地，考虑到所述训练待生成图像资源的文本描述为文本数据，文本数据为非结构化数据，计算机无法直接处理，因此，先通过所述上下文编码器的词嵌入层将所述训练待生成图像资源的文本描述中的各个词进行词向量化处理以得到词向量的序列；接着，所述上下文编码器使用基于转换器的bert模型对所述词向量的序列进行基于全局的上下文语义编码以得到词特征向量的序列，并将所述词特征向量的序列进行级联以得到所述训练文本描述理解特征向量。值得一提的是，在本技术的其他示例中，还可以使用其他上下文编码器来进行上下文语义编码，例如，rnn神经网络模型、lstm模型、bi-lstm模型等。
[0064]
接着，将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像。在本技术的一个具体示例中，所述对抗生成网络的生成器包括多个反卷积层，以通过所述生成器的多个反卷积层的反卷积解码以得到所述训练生成图像。
[0065]
接着，将所述训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值。也就是，以鉴别器来评估所述优化训练生成图像和所述图像资源的真实图像之间的差异以得到鉴别器损失函数值。具体地，所述鉴别器损失函数值的计算过程，包括：首先将优化训练生成图像输入所述鉴别器以获得第一特征图；接着，将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；然后，确定所述第一特征图与所述第二特征图中的预定位置的值是否相同，其中，响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值，并且，响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；最终，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
[0066]
进一步地，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练，以使得由所述对抗生成网络生成的图像资源尽可能地与所述真实图像的自然图像语义分布相一致，从而由所述对抗生成网络生成的图像资源能够与ui工作人员设计的图像资源相接近，通过这样的方式，来补充游戏资源，降低游戏开发中对于专业ui工作人员的依赖。
[0067]
特别地，在本技术的技术方案中，将所述文本描述理解特征向量通过所述对抗生成网络的生成器得到所述生成图像资源，即所述生成图像时，由于所述对抗生成网络的生成器在模仿所述真实图像的自然图像语义分布时会引入一定的随机性，这就会在所述生成图像内引入部分偏离自然状态下的异常分布，从而在将所述生成图像资源输入所述对抗生成网络的鉴别器时引起存在回归发散，影响所述鉴别器的训练速度和训练得到的所述对抗生成网络生成图像的准确性。
[0068]
因此，优选地，对所述生成图像进行面向回归有界闭域的分布转移优化：
[0069][0070]mi,j
是所述生成图像的第(i,j)位置的特征值，w和h是所述生成图像的宽度和高度，且log表示以2为底的对数。
[0071]
这里，所述面向回归有界闭域的分布转移优化针对所述生成图像所代表的高维特征分布在转移到鉴别器的分布回归的目标域时可能存在的回归发散，通过基于条件化分类的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛，以使得所述生成图像的特征分布转移到目标域下的具有稳定的可结构化边界的范围内，提升了分布迭代回归的稳定性，即，提高了所述鉴别器的训练速度和训练得到的所述对抗生成网络生成图像的准确性。
[0072]
基于此，本技术提出了一种游戏开发的资源管理方法，其包括：训练阶段，包括：获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像；将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练
文本描述理解特征向量；将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像；对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值；以及，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练；和，推断阶段，包括：获取待生成图像资源的文本描述；将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量；以及，将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0073]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0074]
示例性方法
[0075]
图1a为根据本技术实施例的游戏开发的资源管理方法中训练阶段的流程图。如图1a所示，根据本技术实施例的游戏开发的资源管理方法，包括训练阶段，包括步骤：s110，获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像；s120，将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量；s130，将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像；s140，对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；s150，将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值；以及，s160，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练。
[0076]
图1b为根据本技术实施例的游戏开发的资源管理方法中推断阶段的流程图。如图1b所示，根据本技术实施例的游戏开发的资源管理方法，包括推断阶段，包括步骤：s210，获取待生成图像资源的文本描述；s220，将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量；以及，s230，将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0077]
图2a为根据本技术实施例的游戏开发的资源管理方法中训练阶段的架构图。如图2a所示，在训练阶段中，在该架构中，首先，获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像。接着，将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量。然后，将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像。进而，对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像。接着，将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值。然后，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练。
[0078]
图2b为根据本技术实施例的游戏开发的资源管理方法中推断阶段的架构图。如图2b所示，在推断阶段中，在该架构中，首先，获取待生成图像资源的文本描述。接着，将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文
本描述理解特征向量。进而，将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0079]
在训练阶段中，在步骤s110中，获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像。如上述背景技术所言，现有技术中图片资源通常需要专业的ui工作人员为不同游戏分别进行设计，从而绘制出不同的图片资源供开发者使用。但是，图片资源的生产成本较高，为公司运营成本增加负担；且图片资源的生产效率较低，影响游戏开发效率，进而影响游戏的上线时间。因此，期待一种优化的游戏开发的资源管理方案，其能够基于人工智能技术生成符合需求的图像资源。
[0080]
针对上述技术问题，可通过对抗生成思想来构造图像资源生成器，以由所述图像资源生成器来生成满足需求的图像资源，这样可以减轻对专业的ui工作人员的依赖度，降低企业运营成本。具体地，在所述对抗生成网络的训练过程中，首先，需要获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像。
[0081]
在训练阶段中，在步骤s120中，将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量。这里，考虑到所述训练待生成图像资源的文本描述为文本数据，文本数据为非结构化数据，计算机无法直接处理，因此，先通过所述上下文编码器的词嵌入层将所述训练待生成图像资源的文本描述中的各个词进行词向量化处理以得到词向量的序列；接着，所述上下文编码器使用基于转换器的bert模型对所述词向量的序列进行基于全局的上下文语义编码以得到词特征向量的序列，并将所述词特征向量的序列进行级联以得到所述训练文本描述理解特征向量。值得一提的是，在本技术的其他示例中，还可以使用其他上下文编码器来进行上下文语义编码，例如，rnn神经网络模型、lstm模型、bi-lstm模型等。
[0082]
图3为根据本技术实施例的游戏开发的资源管理方法中将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量的流程图。如图3所示，所述将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量，包括：s310，对所述训练待生成图像资源的文本描述进行分词处理以得到词序列；s320，使用所述包含词嵌入层的上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；s330，使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，s340，将所述多个特征向量级联以得到所述训练文本描述理解特征向量。
[0083]
具体地，在本技术实施例中，所述使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量，包括：将所述词向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述词向量的序列中各个词向量作为值向量分别进行相乘以得到所述多个特征向量。
[0084]
在训练阶段中，在步骤s130中，将所述训练文本描述理解特征向量通过对抗生成
网络的生成器以得到训练生成图像。在本技术的一个具体示例中，所述对抗生成网络的生成器包括多个反卷积层，以通过所述生成器的多个反卷积层的反卷积解码以得到所述训练生成图像，其中，所述多个反卷积层相互级联。
[0085]
在训练阶段中，在步骤s140中，对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像。特别地，在本技术的技术方案中，将所述文本描述理解特征向量通过所述对抗生成网络的生成器得到所述生成图像资源，即所述生成图像时，由于所述对抗生成网络的生成器在模仿所述真实图像的自然图像语义分布时会引入一定的随机性，这就会在所述生成图像内引入部分偏离自然状态下的异常分布，从而在将所述生成图像资源输入所述对抗生成网络的鉴别器时引起存在回归发散，影响所述鉴别器的训练速度和训练得到的所述对抗生成网络生成图像的准确性。因此，优选地，对所述生成图像进行面向回归有界闭域的分布转移优化。
[0086]
具体地，在本技术实施例中，所述对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像，包括：以如下公式对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；其中，所述公式为：
[0087][0088]mi,j
是所述训练生成图像的第(i,j)位置的特征值，m
i,j
'是所述优化训练生成图像的第(i,j)位置的特征值，w和h是所述训练生成图像的宽度和高度，且log表示以2为底的对数。
[0089]
这里，所述面向回归有界闭域的分布转移优化针对所述生成图像所代表的高维特征分布在转移到鉴别器的分布回归的目标域时可能存在的回归发散，通过基于条件化分类的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛，以使得所述生成图像的特征分布转移到目标域下的具有稳定的可结构化边界的范围内，提升了分布迭代回归的稳定性，即，提高了所述鉴别器的训练速度和训练得到的所述对抗生成网络生成图像的准确性。
[0090]
在训练阶段中，在步骤s150中，将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值。也就是，以鉴别器来评估所述优化训练生成图像和所述图像资源的真实图像之间的差异以得到鉴别器损失函数值。具体地，所述鉴别器损失函数值的计算过程，包括：首先将优化训练生成图像输入所述鉴别器以获得第一特征图；接着，将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；然后，确定所述第一特征图与所述第二特征图中的预定位置的值是否相同，其中，响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值，并且，响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；最终，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
[0091]
图4为根据本技术实施例的游戏开发的资源管理方法中将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值的
流程图。如图4所示，所述将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值，包括：s410，将所述优化训练生成图像输入所述鉴别器以获得第一特征图；s420，将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；s430，确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；s440，响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；s450，响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及，s460，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
[0092]
在训练阶段中，在步骤s160中，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练。也就是，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练，以使得由所述对抗生成网络生成的图像资源尽可能地与所述真实图像的自然图像语义分布相一致，从而由所述对抗生成网络生成的图像资源能够与ui工作人员设计的图像资源相接近，通过这样的方式，来补充游戏资源，降低游戏开发中对于专业ui工作人员的依赖。
[0093]
在训练完成后，进入推断阶段。也就是，按照上述方法可以得到经训练阶段训练完成的所述对抗生成网络和所述包含词嵌入层的上下文编码器，然后，将所述经训练阶段训练完成的所述对抗生成网络和所述包含词嵌入层的上下文编码器用于实际的推断中。
[0094]
具体地，在推断阶段中，首先，获取待生成图像资源的文本描述。接着，将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量。然后，将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0095]
综上，基于本技术实施例的游戏开发的资源管理方法被阐明，其通过对抗生成思想来构造图像资源生成器。在训练过程中，将训练生成图像和图像资源的真实图像输入对抗生成网络的鉴别器以得到鉴别器损失函数值后，以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络进行训练，以使得由所述对抗生成网络生成的图像资源尽可能地与所述真实图像的自然图像语义分布相一致。在推断过程中，将文本描述的高维语义理解特征输入训练完成的所述对抗生成网络的生成器以得到生成图像。这样，使得生成的图像资源能够与ui工作人员设计的图像资源相接近，也就是，生成符合需求的图像资源。
[0096]
示例性系统
[0097]
图5为根据本技术实施例的游戏开发的资源管理系统的框图。如图5所示，根据本技术实施例的游戏开发的资源管理系统100，包括：训练模块110，包括：训练数据获取单元111，用于获取训练数据，所述训练数据包括训练待生成图像资源的文本描述和所述图像资源的真实图像；训练文本理解单元112，用于将所述训练待生成图像资源的文本描述通过包含词嵌入层的上下文编码器以得到训练文本描述理解特征向量；训练图像生成单元113，用于将所述训练文本描述理解特征向量通过对抗生成网络的生成器以得到训练生成图像；优化单元114，用于对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化
训练生成图像；鉴别损失单元115，用于将所述优化训练生成图像和所述图像资源的真实图像输入所述对抗生成网络的鉴别器以得到鉴别器损失函数值；以及，训练单元116，用于以所述鉴别器损失函数值作为损失函数值并基于梯度下降的反向传播对所述对抗生成网络和所述包含词嵌入层的上下文编码器进行训练；和，推断阶段120，包括：文本获取单元121，用于获取待生成图像资源的文本描述；文本理解单元122，用于将所述待生成图像资源的文本描述通过训练完成的所述包含词嵌入层的上下文编码器以得到文本描述理解特征向量；以及，图像生成单元123，用于将所述文本描述理解特征向量输入训练完成的所述对抗生成网络的生成器以得到生成图像。
[0098]
在一个示例中，在上述游戏开发的资源管理系统100中，所述训练文本理解单元112，进一步用于：对所述训练待生成图像资源的文本描述进行分词处理以得到词序列；使用所述包含词嵌入层的上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，将所述多个特征向量级联以得到所述训练文本描述理解特征向量。其中，所述使用所述包含词嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以得到多个特征向量，进一步用于：将所述词向量的序列排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述词向量的序列中各个词向量作为值向量分别进行相乘以得到所述多个特征向量。
[0099]
在一个示例中，在上述游戏开发的资源管理系统100中，所述对抗生成网络的生成器包含多个相互级联的反卷积层。
[0100]
在一个示例中，在上述游戏开发的资源管理系统100中，所述优化单元114，进一步用于：以如下公式对所述训练生成图像进行面向回归有界闭域的分布转移优化以得到优化训练生成图像；其中，所述公式为：
[0101][0102]mi,j
是所述训练生成图像的第(i,j)位置的特征值，m
i,j
'是所述优化训练生成图像的第(i,j)位置的特征值，w和h是所述训练生成图像的宽度和高度，且log表示以2为底的对数。
[0103]
在一个示例中，在上述游戏开发的资源管理系统100中，所述鉴别损失单元115，进一步用于：将所述优化训练生成图像输入所述鉴别器以获得第一特征图；将所述图像资源的真实图像输入所述鉴别器以获得第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及，计算所述第一值按照值相同的位置的平均值和所述第二值按照值不
同的位置的平均值之和作为所述鉴别器损失函数值。
[0104]
这里，本领域技术人员可以理解，上述游戏开发的资源管理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的游戏开发的资源管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0105]
如上所述，根据本技术实施例的游戏开发的资源管理系统100可以实现在各种终端设备中，例如用于游戏开发的资源管理的服务器等。在一个示例中，根据本技术实施例的游戏开发的资源管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该游戏开发的资源管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该游戏开发的资源管理系统100同样可以是该终端设备的众多硬件模块之一。
[0106]
替换地，在另一示例中，该游戏开发的资源管理系统100与该终端设备也可以是分立的设备，并且该游戏开发的资源管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0107]
示例性电子设备
[0108]
下面，参考图6来描述根据本技术实施例的电子设备。图6为根据本技术实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0109]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0110]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的游戏开发的资源管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待生成图像资源的文本描述等各种内容。
[0111]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0112]
该输入装置13可以包括例如键盘、鼠标等等。
[0113]
该输出装置14可以向外部输出各种信息，包括生成图像等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0114]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0115]
示例性计算机程序产品和计算机可读存储介质
[0116]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的游戏开发的资源管理方法中的功能中的步骤。
[0117]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执
行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0118]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的游戏开发的资源管理方法中的功能中的步骤。
[0119]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。