(CGAN)Conditional Generative Adversarial Nets原理

 参考：https://blog.csdn.net/wspba/article/details/54666907

         CGAN是Conditional Generative Adversarial Nets的缩写，也称为条件生成对抗网络。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。

        应用场景：我们有的时候需要定向指定生成某些数据，比如在训练MINST数据集时，我们想让G只生成数字9的图片，因此要给网络的输入噪声数据增加一些类别上的信息，给定某些类别条件下，生成指定的数据，所以输入数据会有一些变化（y可以是类别标签，或者其他类型的数据等）；然后在损失函数那里，我们目标不再是输出1/0，也就是不再是简单的输出真实和构造。当判定是真实数据的时候，还需要判定出是哪一类别的图片。一般使用one-hot(https://blog.csdn.net/Dorothy_Xue/article/details/84641417)表示。

        2014年，Goodfellow提出了Generative Adversarial Networks，在论文的最后他指出了GAN的优缺点以及未来的研究方向和拓展，其中他提到的第一点拓展就是：A conditional generative model p(x|c) can be obtained by adding c as input to both G and D。如下图所示。我们希望得到一种条件型的生成对抗网络，通过给GAN中的G和D增加一些条件性的约束，来解决训练太自由的问题。

         通过https://blog.csdn.net/weixin_44855366/article/details/119734833可以看到GAN的目标函数为：

而在D和G中均加入条件约束y时，实际上就变成了带有条件概率的二元极小化极大问题，和原始的生成对抗网络相比，条件生成对抗网络CGAN在生成器的输入和判别器的输入中都加入了条件y，这个y可以是任何类型的数据(可以是类别标签，或者其他类型的数据等)。目的是有条件地监督生成器生成的数据，使得生成器生成结果的方式不是完全自由无监督的。CGAN的目标函数为下：

         在生成器模型中，条件变量y实际上是作为一个额外的输入层（additional input layer），它与生成器的噪声输入p(z)组合形成了一个联合的隐层表达；在判别器模型中，y与真实数据x也是作为输入，并输入到一个判别函数当中。实际上就是将z和x分别于y进行concat，分别作为生成器和判别器的输入，再来进行训练。Conditional Generative Adversarial Networks的基本框架如下图：

        CGAN 其实是将 GAN 又拉回到监督学习领域，如下图所示，它在生成器部分添加了类别标签这个输入，通过这个改进，缓和了 GAN 的一大问题–训练不稳定，而这种思想，引入先验知识的做法，在如今大多数非常有名的 GAN 中都采用这种做法，后面介绍的生成图片的 BigGAN，或者是图片转换的 Pix2Pix，都是这种思想，可以说 CGAN 的提出非常关键。