CGAN-条件生成式对抗网络

1：Generative Adversarial Nets
生成对抗网络最近被引入作为一种训练生成模型的新方法。它们由两个“对抗性”模型组成：生成模型G捕获数据分布，还有一个判别模型D，该模型估计样本来自训练的概率数据而不是G。G和D都可以是非线性映射函数，例如多层感知器。要了解数据数据x上的生成器分布pg，生成器可从中构建映射函数
到数据空间的先前噪声分布pz（z）为G（z;θg）。 鉴别器D（x;θd）输出一个单一的标量，表示x来自训练数据而不是pg的概率。 G和D都同时训练：我们调整G的参数以使log（1 − D（G（z））最小并调整D的参数以使logD（X）最小，就好像它们遵循两个玩家的最小-最大价值函数为V（G，D）的游戏：
2:Conditional Adversarial Nets
如果生成器和判别器都以某些额外信息y为条件，则生成对抗网络可以扩展为条件模型。 y可以是任何种类的辅助信息，例如类别标签或其他形式的数据。 我们可以通过喂y来进行调节进入鉴别器和生成器作为附加输入层。2个在生成器中，先验输入噪声pz（z）和y组合为联合隐藏表示，并且对抗性训练框架在如何隐藏表示的构成方面具有相当大的灵活性。 1个在判别器中，x和y表示为输入，并带有判别函数（体现为在这种情况下，由MLP再次进行）。两人minimax游戏的目标函数为Eq 2