1.CGAN的简介

为了解决带标签的数据生成问题，研究者们提出了条件生成对抗网络（CGAN）的概念。

CGAN的结构如上图所示，与GAN的主要区别是生成器和判别器的输入数据中都加入类别标签向量（C_vector），生成器的优化目标函数基本上没有变化。

总的来说CGAN在GAN上的改动并不大，但是普通的GAN所生成的内容是随机的，CGAN实现了根据输入标签生成指定类别的内容。

2.CGAN的实现

目前CGAN的实现由多种形式，主要的区别是C_vector的形式，目前主要有以下三种形式：

第一中形式：

将输入Generator的C_vector进行One-hot编码，然后与noise进行拼接，此时C_vector为（batch_size, class_num) ，noise为（batch_size, latent_dim），将拼接之后大小为（batch_size, latent_dim+class_num）作为生成器的输入。

将输入Discrimintor的C_vector首先进行One-hot编码，然后通过expand（）方法进行维度扩展，此时的C_vector为 （batch_size, class_num, cols, rows) ， Real_data 和 Fake_data为（batch_size, channel, cols, rows），最后将转换后的C_vector和Real_data或者Fake_data进行拼接，将拼接之后大小为（batch_size, channel+class_num, cols, rows）的张量作为判别器的输入。

第二种形式:

将输入Generator的C_vector通过Embedding方法进词嵌入，并进行Flatten操作，从而将C_vector转换成为与noise大小相同的张量（batch_size, latent_dim）, 然后将noise 和 C_vector 进行mulitiply()操作（即对应位置上的元素相乘，该运输不改变张量的大小），将最终得到的（batch_size, latent_dim）的张量作为生成器的输入。

将输入Discriminator的C_vector通过Embedding方法进行词嵌入，并进行Flatten操作，从而将C_vector转换为（batch_size, channel*rows*cols），接着对Real_data和Fake_data进行Flatten操作，将其转换为（batch_size, channel*rows*cols），然后将转换后的C_vector和Real_data或者Fake_data进行multiply（）操作，将最终得到的（batch_size, channel*rows*cols）张量作为判别器的输入。

第三种形式：

将输入Generator的C_vector进行One-hot编码，然后与noise进行拼接，此时C_vector为（batch_size, class_num) ，noise为（batch_size, latent_dim），最后将拼接后大小为（batch_size, latent_dim+class_num）作为生成器的输入。

将输入Discriminator的C_vector进行One-hot编码，然后与经过Flatten（）处理之后的Real_data或者Fake_data进行拼接，此时Real_data和Fake_data为（batch_size, channel*rows*cols），C_vector为（batch_size, num_class），最后将拼接之后大小为（batch_size, channel*rows*cols + num_class）的张量作为判别器的输入。

损失函数：

在具体实现上，CGAN的损失函数和GAN基本相同。