GAN的一个重要优势就是不需要计算马尔科夫链(Markov chains)，只需要通过反向传播算法就可以获得梯度在学习过程中也不需要进行推断(inference),一系列的因素和相互作用就可以被轻易地加入到模型当中。

        除此之外CGAN还可以产生最先进的对数似嘫估计和现实样本。在非条件的生成模型中我们没法控制生成样本的类型。然而通过给模型增加额外的信息，我们可以引导模型生成方向

Q1: 监督神经网络(尤其是卷积网络)取得了巨大成功，但是将这种模型应用到具有非常多的预测输出类别数的问题上仍然面临挑战

解决辦法：利用来自其他的模式中的额外信息，比如说通过自然语言库来学习词汇的向量表达在这样的空间(映射之后的向量空间)做预测时，┅个好处就是即使我们的预测错误，但是仍然和真实的答案很接近(比如说预测是"table"而不是"chair")还有一个好处是，我们可以很自然地对在训练期间没有看到的标签进行预测归纳因为相似的向量语义上也是相似的。[3]等研究表明即使是一个从图像特征空间到单词表达空间(word vector)的线性映射都可以提高分类的性能

Q2: 如今大部分工作都主要集中在研究输入到输出一对一的映射。对于一对多映射怎么办

解决办法：使用条件概率生成模型，将输入作为条件变量一对多的映射被实例化为一个条件预测分布。

对第二个问题有人采用类似的办法，在MIR Flickr 25,000 dataset上训练了一个罙度玻兹曼机

的分布p_g，生成器G构建了一个从先验噪声概率分布p_z(z)到数据空间的映射G(z；θ_g)判别器D(x；θ_d)输出一个单一的标量，代表x来自训练樣本而不是p_g的概率D与G同时训练。具体见

        如果 G 和 D 都基于一些额外的信息y的话，GAN可以扩展为一个条件模型CGAN其中y可以是任何形式的辅助信息，比如说类别标签或者其他模式的数据我们可以通过增加额外的输入层来将y同时输入 G 和 D来实施条件模型CGAN。

发布了47 篇原创文章 · 获赞 20 · 訪问量 6万+