discriminator

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

本篇文章将会简单地介绍 Conditional GAN 的原理以及一些有趣的应用。 Conditional GAN 可以拿来做什么事情？ 常见 Conditional GAN 的应用像是从一句话生成出一张图片、从黑白照片生成彩色照片，或是从手绘涂鸦生成一张彩色照片。之所以要用 Conditional GAN 而不用监督学习的原因可以用下图说明： 上图取自于李宏毅老师的 GAN Lecture 2: Conditional Generation