【前言】
本文涉及的论文有：
[3] Denton E L, Chintala S, Fergus R. Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks[C]//Advances in neural information processing systems. 2015: 1486-1494.
3. 条件生成式对抗网络，Conditional Generative Adversarial Networks
3.1 CGAN的思想
Conditional Generative Adversarial Nets（CGAN）【Mirza M, Osindero S. Conditional】。这项工作提出了一种带条件约束的GAN，在生成模型（D）和判别模型（G）的建模中均引入条件变量y（conditional variable y），使用额外信息y对模型增加条件，可以指导数据生成过程。这些条件变量y可以基于多种信息，例如类别标签，用于图像修复的部分数据[2]，来自不同模态（modality）的数据。如果条件变量y是类别标签，可以看做CGAN 是把纯无监督的 GAN 变成有监督的模型的一种改进。这个简单直接的改进被证明非常有效,并广泛用于后续的相关工作中[3,4]。Mehdi Mirza et al.
3.2 Conditional Generative Adversarial Nets
3.2.1 Generative Adversarial Nets
3.2.2 Conditional Adversarial Nets
CGAN的网络结构
3.3 实验
3.3.1 MNIST数据集实验
3.3.2 多模态学习用于图像自动标注
【生成模型输入/输出】
【判别模型的输入/输出】
3.4 Future works
3. 另一个遗留下的方向是构建一个联合训练的调度方法去学校language model
Reference
[5] Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680.