各种GAN结构（笔记）

参考网站: https://github.com/znxlwm/pytorch-generative-model-collections

GAN的发展史及paper: http://blog.csdn.net/u013369277/article/details/60954170

1、CGAN （Condition GAN）

2、ACGAN  (Auxiliary Classifier GAN)

3、GAN used in Semantic Segmentation

4 、Semi-Supervised GAN

参考地址：https://blog.csdn.net/shenxiaolu1984/article/details/75736407

z为随机噪声100维随机向量，G是卷积网络，输出512*512*6(自由设计大小)大小的图像x_fake. 鉴别器是我们最终需要的分割模型，分割类别为K类，但是D输出类别有K+1类，第K+1类是假样本类。鉴别器D输入有三类数据。1、有标签样本x_label。2、无标签样本x_unlabel。3、生成器生成的假样本x_fake。三种样本对应三种误差。

三种误差

整个系统涉及三种误差。

对于训练集中的有标签样本，考察估计的标签是否正确。即，计算分类为相应的概率： 

Llabel=−E[lnp(y|x)]Llabel=−E[ln⁡p(y|x)]

对于训练集中的无标签样本，考察是否估计为“真”。即，计算不估计为K+1K+1类的概率： 

Lunlabel=−E[ln(1−p(K+1|x))]Lunlabel=−E[ln⁡(1−p(K+1|x))]

对于生成器产生的伪样本，考察是否估计为“伪”。即，计算估计为K+1K+1类的概率： 

Lfake=−E[lnp(K+1|x)]

训练G

最小化-E[ ln(1-p( K+1 | D(G(z))  )) ]。使得G生成的x_fake 被D认为是非第K+1类。

训练D

最小化三个误差。