Conditional Generative Adversarial Nets（CGAN）

前言： 

这篇博客为阅读论文后的总结与感受，方便日后翻阅、查缺补漏，侵删！

论文：Conditional Generative Adversarial Nets

参考：博客一、博客二

解决的问题：

介绍这个问题前，我们首先回顾GAN的优点与缺点：

GAN 的优点：

●  GAN是一种生成式模型，相比较其他生成模型（玻尔兹曼机和GSNs）只用到了反向传播，而不需要复杂的马尔科夫链。

●  相比其他所有模型，GAN可以产生更加清晰，真实的样本。

●  GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域。

●  相比于变分自编码器,，GANs没有引入任何决定性偏置( deterministic bias)，变分方法引入决定性偏置，因为他们优化对数似然的下界，而不是似然度本身，这看起来导致了VAEs生成的实例比GANs更模糊。

●  相比VAE，GANs没有变分下界，如果鉴别器训练良好，那么生成器可以完美的学习到训练样本的分布。换句话说，GANs是渐进一致的，但是VAE是有偏差的。

●  GAN应用到一些场景上，比如图片风格迁移，超分辨率，图像补全，去噪，避免了损失函数设计的困难，不管三七二十一，只要有一个的基准，直接上判别器，剩下的就交给对抗训练了。

GAN的缺点：

●  训练GAN需要达到纳什均衡，有时候可以用梯度下降法做到，有时候做不到。我们还没有找到很好的达到纳什均衡的方法，所以训练GAN相比VAE或者PixelRNN是不稳定的，但我认为在实践中它还是比训练玻