1. 概述
GAN的出现为数据生成提供了一种新的思路，以图像生成为例，在GAN框架中，不再需要其他复杂的操作，如Markov Chain等，只需要对定义好的网络进行backpropagation即可完成生成网络的训练。在原始的GAN框架中，包括了两个部分，分别为生成网络（Generator）
和判别网络（Discriminator）
，其中生成网络（Generator）用于生成图片，判别网络（Discriminator）用于判别一张图片是否是真实的。通过不断提高生成网络的生成质量，最终“骗”过判别网络，在此过程中，判别网络也在不断提高自身的判别能力，通过如此的一个动态的“博弈”过程，最终，训练好的生成网络便可以用于生成“以假乱真”的图片。
然而在所有的过程中，无论是生成过程还是判别过程都是无任何指导的，Conditional GAN[1]提出在上述的两个过程中引入一个条件，以此指导上述的两个过程。
2. 算法原理
2.1. GAN原理回顾
在原始的GAN框架中，包括了两个部分，分别为生成网络（Generator）和判别网络（Discriminator），其中：
- 生成网络（Generator）
用于生成图片，其输入是一个随机的噪声
，通过这个噪声生成图片，记作
- 判别网络（Discriminator）
用于判别一张图片是否是真实的，对应的，其输入是一整图片
，输出
表示的是图片为真实图片的概率
在GAN框架的训练过程中，希望生成网络生成的图片尽量真实，能够欺骗过判别网络；而对于判别网络，希望能够把生成的图片从真实图片中区分开。这样的一个过程就构成了一个动态的“博弈”。最终，GAN希望能够使得训练好的生成网络生成的图片能够以假乱真，即对于判别网络来说，无法判断生成的网络是不是真实的。此时，训练好的生成网络便可以用于生成“以假乱真”的图片。
GAN的价值函数：
GAN的训练过程如下所示：
2.2. Conditional GAN
Conditional GAN的思想也比较简单，在GAN的基础上增加了条件输入，在生成网络和判别网络中分别加入一个条件输入
，可以为任何的额外信息，分别与原始的
和
这两个输入concat在一起，如下图所示：
Conditional GAN的价值函数：
假设从真实数据中采样
个样本
，从噪音分布
中同样采样个样本，记为
，针对每一个样本，都有一个对应的条件，记为
，此时，上述价值函数可以近似表示为：
简化后为：
训练过程中只需修改上述的梯度公式，其余与GAN的训练一致。
3. 总结
Conditional GAN的思路相对于传统的GAN来说比较直接，在生成网络和判别网络的输入中增加一些额外的信息，用于指导整个过程的训练。
参考文献
[1] Mirza M, Osindero S. Conditional generative adversarial nets[J]. arXiv preprint arXiv:1411.1784, 2014.
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
在HBase命令行工具中执行“list”命令，查看HBase数据库中的所有数据表。学习目标/Target 掌握热门品类Top10分析实现思路 掌握如何创建Spark连接并读取数据集 掌握利用Spark获取业务数据 掌握利用Spark统计品类的行为类型 掌握利用…
