ACGAN与CGAN的区别

ACGAN与CGAN的区别如下

1 与CGAN一样的是，在生成网络的输入都混入label；
2 不一样的是在鉴别网络输入时，ACGAN不再混入label，而是在鉴别网络的输出时，把label作为target进行反馈来提交给鉴别网络的学习能力。
3 另一个不一样的是，生成网络和鉴别网络的网络层不再是CGAN的全连接，而是ACGAN的深层卷积网络（这是在DCGAN开始引入的改变），卷积能够更好的提取图片的特征值，所有ACGAN生成的图片边缘更具有连续性，感觉更真实。


如下生成网络model，和CGAN的一模一样。

noise = Input(shape=(self.latent_dim,)) label = Input(shape=(1,), dtype='int32') label_embedding = Flatten()(Embedding(self.num_classes, 100)(label))   model_input = multiply([noise, label_embedding]) img = model(model_input)

如下鉴别网络model，传入还是img，但是输出包含两个部分：
1 validity，即鉴别图片是不是伪造的结果。
2 label，使用softmax激活，输出10维的结果即属于哪个数字。

img = Input(shape=self.img_shape)   # Extract feature representation features = model(img)   # Determine validity and label of the image validity = Dense(1, activation="sigmoid")(features) label = Dense(self.num_classes, activation="softmax")(features)   return Model(img, [validity, label])

所以在鉴别网络或生成网络训练的时候，提供了target img_labels和sampled_labels。

# Train the discriminator d_loss_real = self.discriminator.train_on_batch(imgs, [valid, img_labels]) d_loss_fake = self.discriminator.train_on_batch(gen_imgs, [fake, sampled_labels]) d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)   # --------------------- # Train Generator # ---------------------   # Train the generator g_loss = self.combined.train_on_batch([noise, sampled_labels], [valid, sampled_labels])