深度学习之 CGAN及TensorFlow 实现

 
 本文介绍CGAN（Conditional Generative Adversarial Nets）- 条件生成对抗网络

 相关论文 https://arxiv.org/pdf/1411.1784.pdf
 

1、概述

 CGAN( Conditional Generative Adversarial Nets)，条件生成对抗网络。条件生成对抗网络指的是在生成对抗网络中

加入条件(condition)，条件的作用是监督生成对抗网络。最基本的对抗网具有以下优点：永远不需要马尔可夫链，仅使用

反向传播来获得梯度，在学习期间不需要推理，并且可以容易地将各种因素和相互作用结合到模型中。

 在无条件的生成模型中，无法控制正在生成的数据的模式。但是，通过在附加信息上调整模型，可以指导数据生成过程。

这种调节可以基于类别标签，在某些部分数据上进行修复，甚至是来自不同模态的数据。
 

2、生成对抗网络

 GAN（Generative Adversarial Nets）由两个“对抗”模型组成：一个捕获数据分布的生成模型G和一个判别模型D，

它估计样本来自训练数据的概率而不是生成样本的概率. G和D都可以是非线性的映射函数，例如多层感知器。

为了在数据数据x上学习生成器分布p_z(z) ，生成器建立从先前噪声分布p_z（z）到数据空间的映射函数，如G（z;θg）。

鉴别器D（x;θd）输入是真实图像或者生成图像，输出单个标量，该标量表示x来自训练数据而不是p_g的概率。

G和D都同时训练：固定判别模型 D，调整 G 的参数使得 log(1−D(G(z))的期望最小化；固定生成模型 G，调整 D 的参数

使得 logD(X)+log(1−D(G(z)))log 的期望最大化，这个优化过程归结为二元极小极大博弈（minimax two-player game）”问题：

3、条件生成对抗网络

 条件生成式对抗网络（CGAN）是对原始GAN的一个扩展，生成器和判别器都增加额外信息 y为条件, y可以使任意信息,

例如类别信息,或者其他模态的数据。

 如下图所示，通过将额外信息 y 输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN。在生成模型中,

先验输入噪声 p(z) 和条件信息 y 联合组成了联合隐层表征。对抗训练