? ? ? ? CGAN通過(guò)在生成器和判別器中均使用標(biāo)簽信息進(jìn)行訓(xùn)練，不僅能產(chǎn)生特定標(biāo)簽的數(shù)據(jù)，還能夠提高生成數(shù)據(jù)的質(zhì)量；SGAN（Semi-Supervised GAN)通過(guò)使判別器/分類器重建標(biāo)簽信息來(lái)提高生成數(shù)據(jù)的質(zhì)量。既然這兩種思路都可以提高生成數(shù)據(jù)的質(zhì)量，于是ACGAN綜合了以上兩種思路，既使用標(biāo)簽信息進(jìn)行訓(xùn)練，同時(shí)也重建標(biāo)簽信息，結(jié)合CGAN和SGAN的優(yōu)點(diǎn)，從而進(jìn)一步提升生成樣本的質(zhì)量，并且還能根據(jù)指定的標(biāo)簽相應(yīng)的樣本。

1. ACGAN的網(wǎng)絡(luò)結(jié)構(gòu)為：

ACGAN的網(wǎng)絡(luò)結(jié)構(gòu)框圖

? ? ? ? 生成器的輸入包含C_vector和Noise_data兩個(gè)部分，其中C_vector為訓(xùn)練數(shù)據(jù)標(biāo)簽信息的One-hot編碼張量，其形狀為：（batch_size, num_class) ；Noise_data的形狀為：（batch_size, latent_dim）。然后將兩者進(jìn)行拼接，拼接完成后，得到的輸入張量為：（batch_size, num_class + latent_dim）。生成器的的輸出張量為：（batch_size, channel, Height, Width）。

? ? ? ? 判別器的輸入為：（batch_size, channel, Height, Width）； 判別的器的輸出為兩部分，一部分是源數(shù)據(jù)真假的判斷，形狀為：（batch_size, 1），一部分是輸入數(shù)據(jù)的分類結(jié)果，形狀為：（batch_size, class_num）。因此判別器的最后一層有兩個(gè)并列的全連接層，分別得到這兩部分的輸出結(jié)果，即判別器的輸出有兩個(gè)張量（真假判斷張量和分類結(jié)果張量）。

2. ACGAN的損失函數(shù)：

? ? ? ? 對(duì)于判別器而言，既希望分類正確，又希望能正確分辨數(shù)據(jù)的真假；對(duì)于生成器而言，也希望能夠分類正確，當(dāng)時(shí)希望判別器不能正確分辨假數(shù)據(jù)。

判別器的損失函數(shù)：??

真假判斷損失：??

分類損失：?

D_real, C_real = Discriminator( real_imgs)? ? ? ? ?# real_img 為輸入的真實(shí)訓(xùn)練圖片

D_real_loss = torch.nn.BCELoss(D_real, Y_real)? ? ? ? ? #? Y_real為真實(shí)數(shù)據(jù)的標(biāo)簽，真數(shù)據(jù)都為-1，假數(shù)據(jù)都為+1

C_real_loss = torch.nn.CrossEntropyLoss(C_real, Y_vec)? ? ? ? # Y_vec為訓(xùn)練數(shù)據(jù)One-hot編碼的標(biāo)簽張量

gen_imgs = Generator(noise， Y_vec)

D_fake, C_fake = Discriminator(gen_imgs)

D_fake_loss = torch.nn.BCELoss(D_fake, Y_fake)

C_fake_loss = torch.nn.CrossEntropyLoss(C_fake, Y_vec)

D_loss = D_real_loss + C_real_loss + D_fake_loss + C_fake_loss

生成器的損失函數(shù)：??

真假判斷損失：

分類損失：

gen_imgs = Generator(noise, Y_vec)

D_fake, C_fake = Discriminator(gen_imgs)

D_fake_loss = torch.nn.BCELoss(D_fake, Y_real)

C_fake_loss = torch.nn.CrossEntropyLoss(C_fake, Y_vec)

G_loss = D_fake_loss + C_fake_loss