【⽣成对抗⽹络】ConditionalGAN（CGAN，条件GAN）详细解读
对应论⽂：
Conditional GAN (CGAN，条件GAN)，是 Mehdi Mirza 于2014年11⽉份发表的⼀篇⽂章，也是 GAN 系列的早期经典模型之⼀，是⽬前许多GAN应⽤的前⾝。
⽂章的想法是 希望 可以控制 GAN ⽣成的图⽚，⽽不是单纯的随机⽣成图⽚。具体地，Conditional GAN 在⽣成器和判别器的输⼊中增加了额外的 条件信息，⽣成器⽣成的图⽚只有⾜够真实且与条件相符，才能够通过判别器。
【参考解读】
[1]
[2]
英语语句>甄姬最强出装
[3]
⼀、论⽂解读
原始的 GAN 模型没有任何条件限制，⽣成图像是随机的。因此作者考虑 加⼊⼀些条件信息，⽐如 类别标签 或者是 其他类型的数据，使得图像⽣成能够朝规定的⽅向进⾏。
举个例⼦，⽐如输⼊⼀只狗在奔跑，输出即为⼀只狗在奔跑的图。
⽅法思路
Conditional GAN 的原论⽂⽐较短，主要是想法的阐述，对于具体的实现⽅式并没有做太多限定。
⽹络模型
为了实现条件GAN的⽬的，⽣成⽹络和判别⽹络的原理和训练⽅式均要有所改变。
模型部分，在判别器和⽣成器中都添加了额外信息 y，y 可以是类别标签或者是其他类型的数据，可以将 y 作为⼀个额外的输⼊层丢⼊判别器和⽣成器。
在⽣成器中，作者将输⼊噪声 z 和 y 连在⼀起隐含表⽰，⽽对抗性训练框架在如何构成这种隐藏表⽰上具有相当⼤的灵活性。（需要注意的是，Conditional GAN中并没有⽤到卷积操作，所以这么操作是没有任何问题的。）
晚安图片大全损失函数
申请表格式
⼆⼈极⼤极⼩博弈的⽬标函数为：
兰化一校MNIST实验
在该实验中，作者使⽤MNIST的类别标签的one-hot编码作为条件信息y。具体的⽹络模型可以参考原⽂。
作者在MNIST数据集上的实验效果：
⼆、Conditional GAN的延伸
Conditional GAN的想法在各⽅⾯的细节上，⽐如条件y的具体内容（类别标签、实际的图⽚…），⽣成器、判别器中条件y的表⽰⽅式，判别器的打分⽅式（真实度和条件符合度放在⼀起打还是分开来打）等，有各种实现形式，因⽽延伸出了丰富的应⽤。
（1）text-to-image（⽂本⽣成图像）
我国领土面积
（2）image-to-image（图像转换）
（3）Speech Enhancement（语⾳增强）
杰出近义词
（4）Video Generation（视频⽣成）
制作手机主题
