简介
- 2014年，Goodfellow提出了GAN，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。这是因为这种不需要预先建模的方法缺点是太过自由了，基于简单 GAN 的方式就不太可控了。于是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。
- 于是同年，Mirza等人就提出了一种cGAN，原论文地址：https://arxiv.org/pdf/1411.1784.pdf
cGAN的思想
在初窥门径__生成对抗网络（GAN）（一）中，我们提到过，与其他生成式模型相比，GAN这种竞争的方式不再要求一个假设的数据分布，即不需要formulate p(x)，而是使用一种分布直接进行采样sampling，从而真正达到理论上可以完全逼近真实数据，这也是GAN最大的优势。然而，这种方式是基于无监督学习的，没有指定对应的标签，使用一个分布直接进行采样，从而理论上达到可以完全逼近原始数据，因此生成网络G比较自由，而且当图片的像素较多的时候，这样导致训练好的生成网络G不可控制，为了使得训练的生成网络比较可控，我们希望将对原来的无监督学习的对抗网络加一些限制，即将其变为有监督学习的网络，使得其可以更好地在我们的掌控下进行学习！
原理图如下：
因为cGAN是对原始GAN的一个扩展，生成器和判别器都增加额外信息y为条件，y可以是任意信息,例如类别信息,或者其他模态的数据。通过将额外信息y输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN。在生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。对抗训练框架在隐层表征的组成方式方面相当地灵活。类似地，条件 GAN 的目标函数是带有条件概率的二人极小极大值博弈。
原始GAN对应的loss函数：
cGAN对应的loss函数：
对比可以发现CGAN网络相比GAN网络加了标签y进行限制，这样就可以无监督的GAN网络转化为了有监督的CGAN网络，训练过程和GAN网络一样。