ACGAN与CGAN的区别

最新推荐文章于 2024-04-24 15:55:29 发布

转载最新推荐文章于 2024-04-24 15:55:29 发布 · 2.8k 阅读

CC 4.0 BY-SA版权

原文链接：https://liuxiaofei.com.cn/blog/acgan%E4%B8%8Ecgan%E7%9A%84%E5%8C%BA%E5%88%AB/

人工智能与深度学习专栏收录该内容

68 篇文章

订阅专栏

本文详细对比了ACGAN与CGAN两种生成对抗网络的主要区别。ACGAN在输入时同样混入label，但在鉴别网络中不再直接混入label，而是通过反馈label信息提升鉴别能力。此外，ACGAN采用了深层卷积网络，生成的图片边缘更连续，视觉效果更佳。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ACGAN与CGAN的区别如下

1 与CGAN一样的是，在生成网络的输入都混入label；
2 不一样的是在鉴别网络输入时，ACGAN不再混入label，而是在鉴别网络的输出时，把label作为target进行反馈来提交给鉴别网络的学习能力。
3 另一个不一样的是，生成网络和鉴别网络的网络层不再是CGAN的全连接，而是ACGAN的深层卷积网络（这是在DCGAN开始引入的改变），卷积能够更好的提取图片的特征值，所有ACGAN生成的图片边缘更具有连续性，感觉更真实。

如下生成网络model，和CGAN的一模一样。

        noise = Input(shape=(self.latent_dim,))
        label = Input(shape=(1,), dtype='int32')
        label_embedding = Flatten()(Embedding(self.num_classes, 100)(label))
 
        model_input = multiply([noise, label_embedding])
        img = model(model_input)

如下鉴别网络model，传入还是img，但是输出包含两个部分：
1 validity，即鉴别图片是不是伪造的结果。
2 label，使用softmax激活，输出10维的结果即属于哪个数字。

        img = Input(shape=self.img_shape)
 
        # Extract feature representation
        features = model(img)
 
        # Determine validity and label of the image
        validity = Dense(1, activation="sigmoid")(features)
        label = Dense(self.num_classes, activation="softmax")(features)
 
        return Model(img, [validity, label])

所以在鉴别网络或生成网络训练的时候，提供了target img_labels和sampled_labels。

            # Train the discriminator
            d_loss_real = self.discriminator.train_on_batch(imgs, [valid, img_labels])
            d_loss_fake = self.discriminator.train_on_batch(gen_imgs, [fake, sampled_labels])
            d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)
 
            # ---------------------
            #  Train Generator
            # ---------------------
 
            # Train the generator
            g_loss = self.combined.train_on_batch([noise, sampled_labels], [valid, sampled_labels])