GAN[2]：条件CGAN--指定生成结果

Conditional Generative Adversarial Nets

前言

GAN虽然厉害，但有个问题，其生成模型生成的样本完全是随机的。也就是完全取决于输入的噪声z，根本无法预测会生成数字1还是数字2。因此有人提出了条件GAN，其思想也是很简单，就是想要生成哪个数字，你输入的时候告诉我你想要的标签即可。为了达到这个目标，在训练的时候，就要加上标签。也就是G想伪造数字1，就要在原本的z向量后面加十维的one hot向量。在D那里也是，要判别是什么，也要在尾部加上十维的one hot向量。

直观上很难解释这是为什么，但多层感知机，乃至CNN，就是有那么强大的力量，你传什么，我训练出来的结果我都不知道是为什么，就是对的！这也是神经网络被称为黑箱的原因。

介绍

具体的论文介绍等日后有再看论文再来填坑，其实真的就只是比GAN多了一个输入，即真实标签y。

如图所示，原本的GAN是没有绿色部分的，条件GAN在生成器和判别器的训练过程中都添加了绿色的y标签，即数字的one hot。公式变成下面这个
$$\min \limits_{G}\max \limits_{D}E_{x\sim p_{data(x)}}[logD(x|y)]+E_{z\sim p_{z(z)}}[log(1-D(G(z|y)))]$$
仅仅只是多了”$|y$”，差别不大。
我自己根据上一篇论文的代码稍加改造实现了一个弱智的条件GAN，但效果表现还可以。G和D基于2层感知机。

算法效果

一开始的渣渣生成器，生成下面这张图，的确就是瞎生成。

再过几轮训练，生成器被判别器调教乖了，想生成啥就生成啥，问你怕不怕。

我们来看看生成器被调教的过程。

代码

import tensorflow as