cGAN = conditional GAN
也是最基础的GAN模型，和GAN原文同时发表在NIPS2014上面。事实上，cGAN在GAN的基础上并没有做很大的改动，下文会主要分析一下cGAN的改动。
先按照国际惯例，放论文链接：
| Conditional Generative Adversarial Nets |
|---|
~~~
如果还不熟悉GAN算法的，可以看我的上一篇博文。
前面说到GAN的缺点：
| 在训练判别器D的时候，给的label只有“真”和“假”。这样一来有个什么问题呢，如果训练数据之间的差异大的话，那生成的数据可能是两种以上类别的混合物；举个栗子：用MNIST数据集训练GAN的时候，对于GAN而言，只有真图(是数字)和假图(不是数字)的区分。但事实上，就算同样是数字，也有0-9十种分类，不区分细分类的话，GAN很容易生成几个数字之间的混合物，像0像6像8像9，可就不是一个对的数字。 |
|---|
而cGAN的出现，解决了上面的这样一个问题。
基本的GAN流程如上图，cGAN的做法就是把监督信息加入原来的GAN。如下图：
这里的监督信息就是label值，也以一种很简单的方式(one-hot编码)加入进去。这样一来，GAN系统的生成品就更具有导向性了，不会笼统地把10个相差甚远的数字分作一类。
再举MNIST为栗：训练生成“2”时，加入的y = [0,0,1,0,0,0,0,0,0,0]。D就会按照“2”的样子给G生成的图片打分，G也会按照“2”的样子去生成。这样G和D都具有十分类能力了。
总结
cGAN相比GAN而言，做出的改进并不是什么革命性的改进，而是主流AI研究方法的顺水推舟而已(用监督信息改进无监督系统，效果肯定好一些)。然而，cGAN却获得了很大的成功，成为了最基本的GAN算法之一，想想这种基础算法在之后的GAN研究领域会被引用多少次。cGAN和GAN在同一年的NIPS发表，说明cGAN研究者第一时间就搞懂并掌握了GAN，新出来的基础算法可塑性肯定很强。在这里也得到一个启示，一定要追论文，追最新的研究方向，这样才好捡漏。(当然，还得算法基础扎实)