2023年4月18日发(作者：幼小衔接识字)站长统计
ACGAN-半监督式GAN
大学学习方案
CGAN通过在⽣成器和判别器中均使⽤标签信息进⾏训练，不仅能产⽣特定标签的数据，还能够提⾼⽣成数据的质量；SGAN（Semi-
Supervid GAN)通过使判别器/分类器重建标签信息来提⾼⽣成数据的质量。既然这两种思路都可以提⾼⽣成数据的质量，于是ACGAN综合了
以上两种思路，既使⽤标签信息进⾏训练，同时也重建标签信息，结合CGAN和SGAN的优点，从⽽进⼀步提升⽣成样本的质量，并且还能根据
指定的标签相应的样本。
1. ACGAN的⽹络结构为：
ACGAN的⽹络结构框图
⽣成器⽣成器的输⼊输⼊包含C_vector和Noi_data两个部分，其中C_vector为训练数据标签信息的One-hot编码张量，其形状为：
（batch_size, num_class) ；Noi_data的形状为：（b工作汇总
atch_size, latent_di酒桌上的说话技巧
m）。然后将两者进⾏拼接，拼接完成后，得到的输⼊张量为：
（batch_size, num_cl吃饺子的来历
ass + latent_dim）。⽣成器的的输出输出张量为：（batch_size, channel, Height, Width）。
判别器判别器的输⼊输⼊为：（batch_size, channel, Height, Width）； 判别的器的输出输出为两部分，⼀部分是源数据真假的判断，形状为：
（batch_size, 1），⼀部分是输⼊数据的分类结果，形状为：（batch_size, class_num）。因此判别器的最后⼀层有两个并列的全连接层，分
别得到这两部分的输出结果，即判别器的输出有两个张量（真假判断张量和分类结果张量）。
2. ACGAN的损失函数：
对于判别器⽽⾔，既希望分类正确，⼜希望能正确分辨数据的真假；对于⽣成器⽽⾔，也希望能够分类正确，当时希望判别器不能正确分
辨假数据。
判别器的损失函数： 判别器的损失函数：
真假判断损失：
分类损失：
D_real, C_real = Discriminator( real_i蒲地蓝说明书
mgs) # real_img 为输⼊的真实训练图⽚
D_real_loss = s(D_real, Y_real) # Y_rea小数的加减法
l为真实数据的标签，真数据都为-1，假数据都为+1
C_real_loss = ntropyLoss(C_real, Y_vec) # Y_vec为训练数据One-hot编码的标签张量
gen_imgs = Generator(noi， Y_vec)
D_fake, C_fake = Discriminator(gen_imgs)
D_fake_loss = s(D_fake, Y_fake)
C_fake_loss = ntropyLoss(C_fake, Y_vec)
D_loss = D_real_loss + C_real_loss + D_fake_loss + C_fake_loss
⽣成器的损失函数： ⽣成器的损失函数：
真假判断损失：
分类损失：
gen_imgs = Generator(noi, Y_vec)
D_fake, C_fake = Discriminator(gen_imgs)
D_fake_loss = s(D_fake, Y_real)
C_fake_loss = ntropyLoss(C_fake, Y_vec)
G_loss = D_fake_loss + C_fake_loss
