深度学习-第G4周：CGAN｜生成手势图像 _ 可控制生成

本周任务

1、进一步学习CGAN

2、在上周的基础上生成指定图像

CGAN模型

cGAN的中心思想是希望 可以控制 GAN 生成的图片，而不 是单纯的随机生成图片。 具体来说，Conditional GAN 在生成器和判别器的输入中 增加了额外的 条件信息，生成器生成的图片只有足够真实 且与条件相符，才能够通过判别器。

      实际上 , 在无条件约束的生成模型中 , 没法控制数据生成的模式。然而，通过额外的信息对模型进行约束，有可能指导数据生成的过程。条件约束可以是类标签 , 可以是图像修补的部分数据, 甚至是来自不同模态的数据

cGAN将 无监督学习 转为 有监督学习 使得网络可以更好地在我们的掌控下进行学习！

从公式看，CGAN相当于在原始GAN的基础上对生成器部分 和判别器部分都加了一个条件
 

代码可以参考上一期的文章

深度学习-第G3周：CGAN｜生成手势图像_quant_day的博客-CSDN博客

生成指定图片

#%%
from numpy.random import randint, randn
from numpy import linspace
from matplotlib import pyplot, gridspec

# 导入生成器模型
generator.load_state_dict(torch.load('generator_epoch_300.pth'), strict=False)
generator.eval()

interpolated = randn(100) # 生成两个潜在空间的点
interpolated = torch.tensor(interpolated).to(device).type(torch.float32)

label = 0
labels = torch.ones(1) * label
labels = labels.to(device).unsqueeze(1).long()

predictions = generator((interpolated, labels))
predictions = predictions.permute(0,2,3,1).detach().cpu()

import warnings
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 100

plt.figure(figsize=(8,3))

pred = (predictions[0, :, :, :] + 1) * 127.5
pred = np.array(pred)
plt.imshow(pred.astype(np.uint8))
plt.show