生成对抗网络学习——Conditional GAN，CGAN

Conditional GAN（条件GAN，CGAN）是Mehdi Mirza于2014年11月份发表的一篇文章，也是GAN系列早期经典模型之一，算是目前许多GAN应用的前身。

文章的想法是希望GAN能够控制自己生成的图片，而不是随机生成图片。Conditional GAN在生成器的输入噪声中还增加了额外的条件信息，只有生成的图片足够真实且与与条件相符，才能够通过判别器。

【文章链接】：

https://arxiv.org/pdf/1411.1784.pdf

【参考代码】：

【参考解读】：

[1] 对抗生成网络学习（十三）——conditionalGAN生成自己想要的手写数字(tensorflow实现)

一、文章解读

原始GAN的模型没有任何条件限制，生成图像是随机的。因此作者考虑加入一些条件信息，比如类别标签或者是其他类型的数据，使得图像生成能够朝规定的方向进行。

举个例子，比如输入一只狗在奔跑，输出即为一只狗在奔跑的图。
生成对抗网络学习——Conditional GAN，CGAN

Conditional GAN的原论文比较短，主要是想法的阐述，对于具体的实现方式并没有做太多限定。

为了实现条件GAN的目的，生成网络和判别网络的原理和训练方式均要有所改变。

模型部分，在判别器和生成器中都添加了额外信息 y，y 可以是类别标签或者是其他类型的数据，可以将 y 作为一个额外的输入层丢入判别器和生成器。

在生成器中，作者将输入噪声 z 和 y 连在一起隐含表示，而对抗性训练框架在如何构成这种隐藏表示上具有相当大的灵活性。（需要注意的是，Conditional GAN中并没有用到卷积操作，所以这么操作是没有任何问题的。）
生成对抗网络学习——Conditional GAN，CGAN

二人极大极小博弈的目标函数为：
生成对抗网络学习——Conditional GAN，CGAN

在该实验中，作者使用MNIST的类别标签的one-hot编码作为条件信息y。具体的网络模型可以参考原文。

作者在MNIST数据集上的实验效果：
生成对抗网络学习——Conditional GAN，CGAN

Conditional GAN的想法在各方面的细节上，比如条件y的具体内容（类别标签、实际的图片…），生成器、判别器中条件y的表示方式，判别器的打分方式（真实度和条件符合度放在一起打还是分开来打）等，有各种实现形式，因而延伸出了丰富的应用。