GAN的改进与优化

1. 如何生成指定类型的图像——条件GAN, 条件生成对抗网络（CGAN)

​ 条件生成对抗网络（CGAN, Conditional Generative Adversarial Networks）作为一个GAN的改进，其一定程度上解决了GAN生成结果的不确定性。如果在Mnist数据集上训练原始GAN，GAN生成的图像是完全不确定的，具体生成的是数字1，还是2，还是几，根本不可控。为了让生成的数字可控，我们可以把数据集做一个切分，把数字0~9的数据集分别拆分开训练9个模型，不过这样太麻烦了，也不现实。因为数据集拆分不仅仅是分类麻烦，更主要在于，每一个类别的样本少，拿去训练GAN很有可能导致欠拟合。因此，

---

CGAN就应运而生了。我们先看一下CGAN的网络结构：​ 从网络结构图可以看到，

对于生成器Generator，其输入不仅仅是随机噪声的采样z，还有欲生成图像的标签信息。

比如对于mnist数据生成，就是一个one-hot向量，某一维度为1则表示生成某个数字的图片。

同样地，判别器的输入也包括样本的标签。这样就使得判别器和生成器可以学习到样本和标签之间的联系。

Loss如下：

​ Loss设计和原始GAN基本一致，只不过生成器，判别器的输入数据是一个条件分布。在具体编程实现时只需要对随机噪声采样z和输入条件y做一个级联即可