【摘要】：为了解决这个问题，出现了条件式生成对抗网络，也就是conditional GAN，CGAN可以看作一种带条件约束的GAN，其中的生成器和判别器都以某种外部信息为条件，比如类别标签。CGAN的组成如图7-8所示。图7-8CGAN网络在图中可以看到，CGAN通过将外部信息y输送给判别器模型和生成器模型，作为输入层的一部分标签信息。
上节介绍的传统生成对抗网络存在的一个缺点不容易克服，当你随机初始化一个一维随机向量输入网络后，它生成的数字图片是随机的，并不能生成指定的数字图片。为了解决这个问题，出现了条件式生成对抗网络，也就是conditional GAN（CGAN），CGAN可以看作一种带条件约束的GAN，其中的生成器和判别器都以某种外部信息为条件，比如类别标签。CGAN的组成如图7-8所示。
图7-8 CGAN网络
在图中可以看到，CGAN通过将外部信息y输送给判别器模型和生成器模型，作为输入层的一部分标签信息。以生成MNIST数据集的图像样本为例，原始GAN得到的生成器可以由随机向量生成一张含有数字的图像样本，其中数字可能是0～9中的任意一个，而CGAN则是在生成器输入时添加一个条件y（one-hot编码）进行训练，可以根据条件信息代表的数字类别生成对应的数字。(www.xing528.com)
生成器模型的输入可以是服从均匀分布的噪声向量（长度100），条件变量y是类别标签的one hot编码，将其转换为长度为100的向量，并将二者组合。最终输出长度784维的向量，代表28×28的单通道图像。判别器模型的输入是784维的图像数据和条件信息y（同样是代表类别标签的one hot编码），输出是该样本来自训练集的概率。采用这种方法，生成器在构造图片时，如果它生成的图片与所给定的one hot编码不一致，那么它就无法通过判别器的辨识，于是它就可以在训练时调整自身参数，让生成的图片与one hot编码表示的数字相一致。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
