AIGC实战——条件生成对抗网络

0. 前言

1. CGAN架构

2. 模型训练

3. CGAN 分析

小结

系列链接

0. 前言

我们已经学习了如何构建生成对抗网络 (Generative Adversarial Net, GAN) 以从给定的训练集中生成逼真图像。但是，我们无法控制想要生成的图像类型，例如控制模型生成男性或女性的面部图像；我们可以从潜空间中随机采样一个点，但是不能预知给定潜变量能够生成什么样的图像。在本节中，我们将构建一个能够控制输出的 GAN，即条件生成对抗网络 (Conditional Generative Adversarial Net, GAN)。该模型最早由 Mirza 和 Osindero 在 2014 年提出，是对 GAN 架构的简单改进。

1. CGAN架构

在本节中&

文章来源

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：