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）GGG和判别网络（Discriminator）DDD，其中生成网络（Generator）GGG用于生成图片，判别网络（Discriminator）DDD用于判别一张图片是否是真实的。通过不断提高生成网络GGG的生成质量，最终“骗”过判别网络DDD，在此过程中，判别网络DDD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GGG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。
在原始的GAN框架中，包括了两个部分，分别为生成网络（Generator）GGG和判别网络（Discriminator）DDD，其中：
在GAN框架的训练过程中，希望生成网络GGG生成的图片尽量真实，能够欺骗过判别网络DDD；而对于判别网络DDD，希望能够把GGG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GGG生成的图片能够以假乱真，即对于判别网络DDD来说，无法判断GGG生成的网络是不是真实的。此时，训练好的生成网络GGG便可以用于生成“以假乱真”的图片。
GAN的价值函数：
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y\boldsymbol{y}y，y\boldsymbol{y}y可以为任何的额外信息，分别与原始的x\boldsymbol{x}x和z\boldsymbol{z}z这两个输入concat在一起，如下图所示：
Conditional GAN的价值函数：
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。
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。