PyTorch深度学习实战（35）——条件生成对抗网络(Conditional Generative Adversarial Network, CGAN)

原创已于 2025-12-11 11:13:25 修改 · 1w 阅读

标签

#深度学习 #pytorch #生成对抗网络

收录于

于 2024-01-28 08:02:42 首次发布

PyTorch深度学习从入门到项目实战专栏收录该内容

74 篇文章 ¥29.90 ¥99.00

订阅专栏

本文介绍了条件生成对抗网络（CGAN）的概念，它是GAN的一种扩展，允许根据特定条件生成数据。通过结合噪声向量和条件信息，CGAN可以生成具有指定属性的图像，如特定性别的脸部图像。文章详细讲解了CGAN的模型结构，包括生成网络和判别网络，并提供了一个使用PyTorch实现CGAN生成指定性别人脸图像的教程。

PyTorch深度学习实战（35）——条件生成对抗网络

0. 前言

条件生成对抗网络 (Conditional Generative Adversarial Network, CGAN) 是一种生成对抗网络 (Generative Adversarial Network, GAN)，旨在通过给定特定条件信息的情况下生成符合条件的合成数据。这种网络结构通常用于生成图片、音频、文本等多种类型的数据。条件生成网络的核心思想是将条件信息与潜在空间中的噪声向量进行联合建模，以生成与条件一致的输出。常见的条件信息可以是类别标签、文本描述、图像特征等，这些信息可以指导网络生成具有特定属性、风格或类别的数据样本。在本节中，将构建 CGAN 根据条件向量生成指定性别的人脸图像。

1. 条件生成对抗网络

1.1 模型介绍

条件生成对抗网络 (Conditional Generative Adversarial Network, CGAN) 是生成对抗网络的一种扩展，它同时接受噪声数据和条件数据作为输入，以控制生成的数据样本。与标准的生成对抗网络 (Generative Adversarial Network, CGAN)不同，输入到 CGAN 的随机噪声向量和条件向量一起传递到生成网络中，以生