本文共 853 字，大约阅读时间需要 2 分钟。

Conditional GAN = Conditional Generation by GAN

Conditional GAN和GAN的Generator是一样的，差别就是在Discriminator

 

我们学过GAN，GAN的主要作用是用来做生成对象。输入向量，得到对应的对象，但是生成的对象无法控制

 

 

举一个文本生成图像的例子，Text-to-Image

用传统的做法，即Traditional supervised approach，怎么做？

         以上是数据的例子，我们训练一个neural netowrk，然后输入一个文字，输出对应一个图片，我们希望图片与目标图片越接近越好。

      这样做有什么问题呢？我们来看一下，例如文字：train对应的图片有很多张。例如下面的火车有正面，有侧面的，如果用传统的NN来训练，模型会想让火车长得像左边，又像一个右边的，这样的结果是不好的。模型会想产生多张图像的平均，结果就会很模糊。

 

Normal GAN

如果是用GAN来做：

先用Generator来生成图片，输入是两个：一个是条件，一个是从某个分布中sample出来的向量。

然后Discriminator来判断图片是否是生成的

这样做是有问题的，因为Discriminator只会根据生成的图片是否清晰，是否真实来进行判别，所以Generator 只会按这个标准来生成图片，而没有去按条件（例如：火车）来生成图片。

这里的Discriminator吃两个输入：一个是条件，一个是要判断的图片对象。输出是一个向量，输出向量要判断两个事情：

x is realistic or not + c and x are matched or not

下面是输出向量的例子：

 

 

Conditional GAN - Discriminator

常见的Discriminator构架如下图，把x丢到一个NN里面得到一个向量表示，然后把文字丢到一个NN里面得到一个向量表示，把两个向量concat起来之后，丢到一个NN里面得到具体的分数。

 

转载地址：http://mvygf.baihongyu.com/