CGAN:Conditional Generative Adversarial Nets阅读笔记 | 幻华's Blog

• 1. Conditional Generative Adversarial Nets
  • 1.1. 摘要
  • 1.2. 介绍
  • 1.3. 条件对抗网络
    • 1.3.1. 符号定义
    • 1.3.2. 知识回顾——生成对抗网络
    • 1.3.3. 直观感受
    • 1.3.4. 目标函数
    • 1.3.5. 对抗
  • 1.4. 实验
    • 1.4.1. 单模式——MNIST
    • 1.4.2. 多模式——MIR Flickr
  • 1.5. 参考资料

---

1. Conditional Generative Adversarial Nets

arXiv:1411.1784 [cs.LG]
tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper

---

1.1. 摘要

在GAN的基础上引入标签y，同时使用在生成器和判别器中.
可以应用于多模态模型中。

---

1.2. 介绍

生成对抗网络

• 规避了棘手的概率计算
• 不需要使用马尔科夫链，仅使用反向传播算法去获得梯度
• 训练时不需要推断，可以轻松的将各种因素和相互作用纳入模型

但无条件生成模型无法控制生成的数据，给模型加入附加信息可以知道数据的生成

---

1.3. 条件对抗网络

1.3.1. 符号定义

$x$ $\rightarrow$ 真实数据
$y$ $\rightarrow$ 标签（辅助信息）
$z$ $\rightarrow$ 噪音（生成器的输入数据）
$p_x$ $\rightarrow$ 真实数据的分布
$p_{z}(z)$ $\rightarrow$ 原始噪音数据的分布
$p_g$ $\rightarrow$ 经过生成器后数据的分布
$G()$ $\rightarrow$ 生成映射函数（可微），结构为多层感知机，参数$\theta_{g}$
$D()$ $\rightarrow$ 判别映射函数（可微），结构为多层感知机，参数$\theta_{d}$
$G(z;\theta_{g})$ $\rightarrow$ 将噪音$z$映射到新的数据空间
$D(x ; \theta_{d})$ $\rightarrow$ $x$来自真实数据而不是生成数据的概率（真=1，假=0）

1.3.2. 知识回顾——生成对抗网络

生成器G，判别器D，相互对抗使目标函数，达到最优。

$$\min _{G}\max _{ D } V(D,G)={ \mathbb{E} }_{ x ～ { p }_ { data } (x) }[logD(x)] + { \mathbb{E} }_{ z ～ { p }_{ z }(z) }[log(1-D(G(z)))]$$

1.3.3. 直观感受

1.3.4. 目标函数

$$\min _{G}\max _{ D } V(D,G)={ \mathbb{E} }_{ x ～ { p }_ { data } (x) }[logD(x|y)] + { \mathbb{E} }_{ z ～ { p }_{ z }(z) }[log(1-D(G(z|y)))]$$

和原始GAN相近，只是G，D在y的条件下生成或判别

1.3.5. 对抗

生成器G通过z，y联合生成图片
判别器D在y的条件下判别G(z)
主要是在y条件下的MinMax Game

---

1.4. 实验

1.4.1. 单模式——MNIST

1.4.2. 多模式——MIR Flickr

---

1.5. 参考资料

Paper—-Conditional Generative Adversarial Nets
知乎—-《Conditional Generative Adversarial Nets》阅读笔记
CSDN—-Conditional Generative Adversarial Nets论文翻译
CSDN—-Conditional Generative Adversarial Nets论文笔记