CGAN（条件生成-对抗网络）简述教程

一直以来提醒自己说，你要坚持，要坚持，要坚持更新，坚持读paper，要是现在都坚持不下去，还有将近五年该怎么办呐。

所幸，我还是有底线的，在今天抽了一个下午，看了看论文，跑了跑代码，过程谈不上舒服，也谈不上艰辛，但是终究是有收获的。记录一下今天的收获

今天看的这篇论文其实很简单，名字叫《Conditional Generative Adversarial Nets》，简单来说就是条件生成-对抗网络。

那么何为条件，别急，等我慢慢来理理头绪。

有过一些基础的同学想必对于GAN是非常熟悉的，在生成网络领域类，GAN和VAE可谓是一骑绝尘。

（1）简单的说一下GAN

GAN网络呢，他是这么一个原理，我的输入是一个噪声，通过一个随机的噪声，通过一个被称为生成网络的部分，生成一个对象（这里常见的是包含某个对象的image），我们的目标也就是这个随机生成的image。

但是诸位看官，因为你直接输入的是噪声，输出的也只是要求是满足某个要求的图像，所以这个过程，如果单独训练的话，是不是很困难，你没有办法写损失函数，没有办法打标签。。。。。。

聪明的人类于是又想出来，我在后面加上一个判断网络，这个网络的输入包括真实图像和生成图像，判断网络的作用就是希望能够将这个生成图像给判断出来，它的输出是一个输入图像属于真实图像的概率。

然后这两个网络就较上劲儿了，他们通过一种被称为良性竞争的手段，互相帮助，携手共进，于是两人打了个五五开，然后我们就可以发现，生成网络的性能已经没有办法继续提升了。所以最终我们得到了我们需要的生成网络。

行吧，GAN就简述到这里，图什么的我也不是很想弄，想继续了解的同学可以看我的上一篇博客https://blog.csdn.net/weixin_40955254/article/details/81045488

（2）既生GAN，何生VGAN

首先，你要知道，在GAN的时代，它的输入是一个随机的噪声，它的输出是一个服从某个分布的随机图像。

重点是，两个随机。

也就是说，GAN是个随便的人，就像是五六十年代的中国，你随便给点，我啥也没有，我随便干嘛，反正啥都缺，骨子里透露出一种小无助有没有。

生活水平提高了，这个bb事儿也就多了，于是就有朋友提出来了，我不想你随机生成，我要你指哪打哪，比如数字，我要指定几就生成几，比如我不希望你一个网络只能生成各式各样的狗，我还要你生成猫，我还要你出羊驼。。。。。

GAN说：你这莫非是在为难我胖虎

我不行，我儿行呀，于是为了满足人民日益增长的文化物质需求，CGAN出山了。

(3)系列之——终于见大哥CGAN

话不多说，上大图，各位朋友，好好感受一下，他和我们熟知的GAN有什么区别。

对，没错，在Generator以及Descriminator上它都多了一个y标签作为输入。

所以变为，生成器的输入是噪声和标签，输出还是生成图；判别器的输入是生成图，真实图以及标签，输出还是真和假。这个是表面，真正的本质，朋友你看看这个损失函数你就能明白了。

可以看到，无论是D还是G，他们的概率表达都变成了条件概率公式。

也就是说，这个目标函数实在输入为y特定标签的时候成立的，对于不同的标签，可以理解为有不同的目标函数。

也就可以将CGAN理解为一个包含了所有种类个数n的生成器集合

所以这样，通过更改标签，我们可以得倒自己需要的生成图像

也可以用同一个生成网络生成不同的目标

over~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

我是钱多多，一个辣鸡的研究僧在读

欢迎大家多多交流指正

原创转载请咨询本人

有代码，需要的可以公众号留言

学术交流可以关注我的公众号，后台留言，粉丝不多，看到必回。卑微小钱在线祈求