CGAN(conditional GANs)

论文：https://arxiv.org/pdf/1411.1784.pdf

介绍：

论文提出了GAN的有条件（限制）的版本，结构很简单，在数据中添加一个数据 y ，y 是在生成器和辨别器中都需要考虑的。对抗网络相对于 Markov 决策链优点众多：梯度下降时，只需要反向传播算法，在学习规程中不需要做推断，许多因素以及因素之间的相互关系可以在模型中融合的很好。论文提出的 CGAN 是在某些特定条件下，增加目标或者限制（任何标签）进而影响生成器的生成过程。

条件对抗网络：

GAN 网络已在之前分析过，这里只列出一个方程式：

简单的解释该方程，生成器创建一个基于噪声分布 p(z) 的分布，来学习实际数据 x 的分布，生成器 G 用于生成数据。辨别器 D 用于辨别生成器的数据是来自生成器还是真实的数据分布，当辨别器不能分辨数据的来源时，也就是说，辨别器认为该数据 50%可能性来自真实数据采样分布，50% 可能性来自生成器，学习过程就完成了。

多模式模型：

尽管监督神经网络非常成功，但是仍然有两个问题：① 输出策略数量极大 ② 现在许多任务都是一对一输入输出映射。

为了解决第一个问题，通过其他形式的附加信息，比如通过自然语言来学习标签的表示向量。

为了解决第二个问题，使用条件概率生成模型，输入选择条件变量，同时输入输出映射为一对多。

CGANs：

CGAN的公式极为简单，就是在生成器和辨别器中都添加一个条件，如下所示：

为了更好的解释CGAN的原理，论文给出了如下解释图：

 

思考：

（1）CGAN 与 GAN 的不同之处在哪儿？CGAN解决了哪些GAN不能解决的问题？

CGAN与GAN不同之处在于生成器和辨别器中添加了同样的条件，该条件可以是任何标签。

CGAN解决了普通的GAN生成模型时方向不确定性，使得生成的输出更加符合我们的预期。