全文总字数：6978字
1. 研究目的与意义、国内外研究现状（文献综述）
一、 研究意义
互联网中每日生成并散乱分布着大量图像文件，各种类型图像信息并没有被确切区分标记，很难被有效利用起来。专业数据集的标签化的数据要么可能不存在，要么过于昂贵而难以得到；人工查找选定特定图像信息并进行标记的方法则要消耗大量的人力物力财力，效率极低。而在机器学习领域，采用数据集的规模和质量对结果有着直接而重要的影响。生成对抗网络（generativeadversarial nets，gan）技术由ian goodfellow等人于2014年提出，它的提出对于解决自然性解释数据的生成难题有重要意义[1]。《麻省理工科技评论》公布的2018年“全球十大突破性技术”中就有它的一席之地。同时，由计算机完成文字到二维图像的转化也会推动艺术领域的发展，就像alpha go为围棋的发展带来新的可能和变革。
相对于其他数据而言，文字是最为简单易得的。如果可以借助gan由文字生成图像样本，将会有效缓解数据集的问题，把现阶段深度学习研究拔高到新的阶段。基于gan的文字生成图像成为gan理论提出后的一个热门研究方向。在文字处理方面，循环神经网络[2]（recurrent neuralnetwk，rnn）中的长短期记忆（long sht-term memy，lstm）对普通rnn进行了改良，从而对处理文字工作有着相当不错的表现。门控循环单元网络（gated recurrent unit，gru）算法是基于lstm的一个简化，本次算法设计拟使用gru算法作为语言特征提取器，选择比较不同的文字生成图片算法以获得更好的图片生成效果。
2. 研究的基本内容和问题
一、研究目标
本次毕业设计将使用带有gru单元的rnn结构作为语言特征提取器，设计根据文字描述生成符合描述图像的基于gan的模型，并基于tkinter设计b/s模式的图形化界面展现训练的结果。为了获得更好的图片生成效果，学习比较不同的gan优化模型，并从中选取更为合适的gan结构。
二、研究内容
3. 研究的方法与方案
一、研究方法
1、机器学习以及深度学习基础学习，了解激活函数、常见代价函数以及正则化，归一化，超参数等调参原理，为之后的上机练习打下基础。
2、参考官网相关文档和网上的开源学习资源进行tensflow和numpy等常用工具在python下的调用和学习。
4. 研究创新点
本次毕设有一下几点特色：
1、课题比较新颖。gan是近几年新发展起来的非常有潜力的技术，国内还没开始普遍研究，但是它对已知的很多图像处理领域的问题都有很好的处理结果。由文字生成图像是生成对抗网络的一个有趣的研究方向，目前有很多国内外研究机构对其进行相关的改进和研究。
2、采用gru作为文字生成图像模型中的文字特征提取器。
5. 研究计划与进展
图4 研究计划
2019年2月下旬- 3月上旬：python编程学习，深度学习和gan基础学习
