转自：https://blog.csdn.net/qq_26499769/article/details/83831640

1.首先说明一下CGAN的意义

GAN的原始模型有很多可以改进的缺点，首当其中就是“模型不可控”。从上面对GAN的介绍能够看出，模型以一个随机噪声为输入。显然，我们很难对输出的结构进行控制。例如，使用纯粹的GAN，我们可以训练出一个生成器：输入随机噪声，产生一张写着0-9某一个数字的图片。然而，在现实应用中，我们往往想要生成“指定”的一张图片。

2.直观解决方案

在GAN上增加一个额外的输入。也就是说，以前我们的生成模型是，现在，我们的生成模型是在一个条件c的控制下产生。而这个c就是我们用来控制模型的额外的输入。

c可以是表示我们意图的一串编码，例如我们想要做0-9的手写数字生成，则c可以是一个10维的one-hot向量。则在训练过程中，我们将这些label加入到训练数据中，从而得到一个按照我们需求产生图片的生成器。

这就是Conditional Generative Adversarial Nets最基本的想法。这里要注意的是，这个c不但附加在了生成器上，同时也附加在了判别器上，相当于给了判别器一个额外的信息：现在这个图片是以条件c生成的？还是以条件c控制下的真正的图片？

3.训练目标

原文中有这样一张图，在其他博客中也常见到

CGAN代码如下：

生成效果如上图，为了方便理解，本文只用了最简单的神经网络，有时间会使用CNN重写该网络。