条件GAN学习

转自：https://blog.csdn.net/weixin_41923961/article/details/80715321

1.条件GAN

生成器和判别器都增加额外信息y为条件, y可以是任意信息,例如类别信息,或者其他模态的数据。

通过将额外信息y输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN。

在生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。

条件GAN的目标函数是带有条件概率的二人极小极大值博弈（two-player minimax game ）： 

比如应用在条件生成MNIST手写数据集上。

2.cGAN中y的不同引入方式

1.  y直接和x拼接输入；
2. 和x的中间层输入拼接；
3. 额外计算一个生成损失；
4. 和中间变量作为做内积和输出拼接在一起

https://blog.csdn.net/qq_34914551/article/details/90732874

 判别器部分代码实现：

    def forward(self, x, y=None):
        h = x
        h = self.block1(h)
        h = self.block2(h)
        h = self.block3(h)
        h = self.block4(h)
        h = self.block5(h)
        h = self.activation(h)
        # Global pooling
        h = torch.sum(h, dim=(2, 3))
        output = self.l6(h)
        if y is not None:
            output += torch.sum(self.l_y(y) * h, dim=1, keepdim=True)
        return output

y和倒数第二层做内积之后和输出拼接在一起，作为输出。