Conditional Generative Adversarial Networks（CGAN）筆記

1.概述

CGAN即條件對抗網絡。GAN可以學習到訓練樣本的分佈，從而生成新的數據。GAN雖然能生成新的數據，但是無法確切的控制新樣本的類型。比如手寫數字集，我們無法通過GAN來指定要生成的具體數字。條件對抗網絡就是爲了解決這個問題。

2. 理解CGAN

1. 下面通過GAN 和CGAN的輸入輸出對比來理解CGAN.
   GAN:
   生成器G, 輸入一個噪聲z， 輸入一個圖像G（Z）
   判別器D, 輸入一個圖片x，輸出一個圖像是真實圖片的概率（D(x)），x是真實樣本或生成樣本
   損失函數： V(D, G) = log(D(x)) + log((1- D(G(z)))) , 這裏僅x是真實樣本， D(z)是生成樣本
   CGAN:
   生成器G, 輸入一個噪聲z，一個條件y, 輸出符合條件y的圖像（G(z/y)）
   判別器D,輸入一張圖片x, 一個條件y, 輸出x,在條件y下是真實圖像的概率D(x/y).x是真實樣本或生成樣本
   損失函數： V(D, G) = log(D(x/y)) + log((1- D(G(z/y))))這裏x僅是真實樣本， D(z/y)是生成樣本
   條件y就是希望生成的標籤，因此生成器必須要生成和標籤匹配的樣本， 而判別器要做的不僅是判段圖片是否是真實圖片，還要判讀圖像和條件是否匹配。
   所以在訓練完之後，可以通過標籤和噪聲來使G生成指定的數據樣本！
2. CGAN基本結構圖解