条件生成式对抗网络(CGAN)代码及结果解析

论文地址：https://arxiv.org/abs/1411.1784

关于生成式对抗网络(GAN)在先前的文章中已经提到了。请看我的前两篇博文。

https://blog.csdn.net/qq_21210467/article/details/81836976

https://blog.csdn.net/qq_21210467/article/details/81942447

现在来说说条件生成式对抗网络CGAN。

一、背景：

GAN的优势是直接可以对数据分布进行采样，不需要假设数据分布，从而理论上可以完全逼近真实数据。但是这中间模拟的方式缺点是过于自由，对于较大的图片和复杂的数据，简单的GAN变得非常不可控，于是研究人员提出了条件生成式对抗网络理论Conditional Generative Adversarial Nets（CGAN）【Mirza M, Osindero S. Conditional】，对原始的GAN附加了约束，在生成模型和判别模型中引入了条件变量y（Conditional variable y），为模型引入了额外的信息，可指导性的生成数据。理论上y可以使有意义的各种信息，比如类标签，可以将GAN这种无监督学习的方