Conditional GAN (CGAN) 有条件的生成
学习资料:
- 我制作的GAN简介短片
- 我制作的让GAN生成你想要的
- 论文 Conditional Generative Adversarial Nets
- 本节代码
- 代码有我自己定义的依赖utils.py, visual.py, mnist_ds.py
怎么了 ¶
最开始的GAN是没办法根据标签来生成特定种类的数据的，比如我训练GAN生成猫狗的图片，但是现在我只想获得猫的图片， 经典的GAN才不管那么多，它还是会一直生成又有猫又有够的图片。 我用这个短片细说了一下有条件生成的GAN。
比如用上面的正常生成逻辑，是用随机噪点生成猫狗，我们能用什么方法来控制到底要生成猫呢还是生成狗呢？ 这时，CGAN 就来拯救你啦~ 用一句话来总结 CGAN：把标签一起送进生成器和判别器，让他们根据标签来生成/判别结果。
如果从动态训练的角度来看，mnist 训练的整个过程都可以按照标签顺序来生成了，真棒。 想象哪天你有一个女神生成器，你也可以按照某个特定女神来生成了，多好~
怎么训练 ¶
这个很简单，只需要在训练和预测的时候，在 Generator 和 Discriminator 的输入端多给一个 input，这个 input 作用就是提供一个标签。 让 Generator 知道这张照片该生成什么，让 Discriminator 知道这张照片我应该判别是：它是否是此标签类别。
所以改动经典GAN的程度相对比较少，而我们在 mnist 数据加工的时候，还要额外做一道工序，除了拿出手写数字图片，还要将数字标签也拿出来。
秀代码 ¶
如果想直接看全部代码， 请点击这里去往我的github.
首先不同于经典GAN的一点是，除了图片，我还要提供图片对应的标签信息。
其次不同于经典GAN的是，他的生成器和判别器都要额外添加一个标签的输入信息。 我们还可以给标签做一个 embedding，使它拥有更丰富的信息量。
看到这里，我假设你已经有经典GAN的基础了，所以其它的训练步骤我就省略了，不过你可以在 我的Github看到所有代码。 训练结果也是非常出色的，比较好的按照我规定的右下角标签生成了所有数字。
总结 ¶
CGAN 是有条件生成的一种尝试性研究，我们在后面还可以看到更多在这方面的努力，他们带来了更丰富的条件性 GAN 模型。
