【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。