生成对抗网络（CGAN）（37）---《深度学习》

在前面我们简单介绍了生成对抗网络（GAN）的基本结构和其训练方式，然而这种方式是基于无监督学习的，没有指定对应的标签，使用一个分布直接进行采样，从而理论上达到可以完全逼近原始数据，因此生成网络G比较自由，而且当图片的像素较多的时候，这样导致训练好的生成网络G不可控制，为了使得训练的生成网络比较可控，我们希望将对原来的无监督学习的对抗网络加一些限制，即将其变为有监督学习的网络，使得其可以更好地在我们的掌控下进行学习！
基本的网络结构可以参考以前的这篇博客： 生成对抗网络（GAN）简单入门（33）—《深度学习》，现在主要讲一下CGAN和GAN的区别：

这是GAN对应的loss函数：

这是CGAN对应的loss函数：

对比可以发现CGAN网络相比GAN网络加了标签y进行限制，这样就可以无监督的GAN网络转化为了有监督的CGAN网络，训练过程和GAN网络一样，都是交替迭代训练，稳定住一个网络，然后训练另一个网络，不过有其启动顺序，即先启动辨别网络D的训练，然后在启动生成网络G网络的训练，这样交替迭代，知道二者博弈过程达到一个均衡的过程，此时就达到了一种比较好的训练过程！具体的训练过程可以参考前面提到的那篇博客！

CGAN网路的结构：

具体的可以仔细阅读对应的论文：
Conditional Generative Adversarial Nets

参考博客：
1、Conditional Generative Adversarial Nets论文笔记
2、生成式对抗网络GAN研究进展（三）——条件GAN

3、生成对抗网络GANs理解（附代码）