生成性对抗网络是否需要类别标签？

Question

我正在尝试理解GAN是如何训练的。我相信我理解对抗训练的过程。我似乎找不到的信息是: GANs在训练过程中是否使用类标签？我目前的理解是否定的--因为鉴别器只是试图区分真实或虚假的图像，而生成器试图创建真实的图像(但不是任何特定类别的图像)。

如果是这样，那么研究人员建议如何使用鉴别器网络进行分类任务？该网络将只能在真实或虚假图像之间执行双向分类。生成器网络也很难使用，因为我们不知道输入向量'Z‘的什么设置会产生所需的生成图像。

Answer 1

这完全取决于您正在尝试构建的网络。如果你特别谈论的是基本的GAN，那么你是正确的。由于鉴别器网络仅对真/假图像进行分类，因此不需要分类标签。GAN (cGAN)有一个条件变量，您可以在生成器和鉴别器中使用类标签。这允许您使用生成器为特定类生成示例，并使用鉴别器对它们进行分类(以及真/假分类)

从我所做的阅读来看，鉴别器网络只是用作训练生成器的工具，而生成器是关注的主要网络。当你可以使用ResNet或VGG网络来完成分类任务时，为什么要使用你用来训练GAN进行分类的鉴别器呢？无论如何，这些网络都会工作得更好。然而，您是对的，使用原始的GAN可能会造成困难，因为模式崩溃并不断产生相同的图像。这就是引入条件变量的原因。

希望这能把事情弄清楚！

Answer 2

GAN在训练过程中是否使用类标签？

作者怀疑GANs不需要标签。这是正确的。对鉴别器进行训练以对真实和虚假图像进行分类。由于我们知道哪些图像是真实的，哪些是由生成器生成的，因此我们不需要标签来训练鉴别器。生成器被训练来欺骗鉴别器，鉴别器也不需要标签。

这是GANs 1最吸引人的优点之一。通常，我们将不需要标签的方法称为无监督学习。也就是说，如果我们有标签，也许我们可以训练一个使用标签来提高性能的GAN。这一想法是引入条件GAN的2人的后续工作的基础。

如果是这样的话，那么研究人员建议如何使用鉴别器网络进行分类任务？

这里似乎有一个误会。鉴别器的目的不是在真实数据上充当分类器。鉴别器的目的是“告诉生成器如何改进它的假货”。这是通过使用鉴别器作为损失函数来完成的，如果它是一个神经网络，我们可以通过它反向传播梯度。在训练之后，我们通常会丢弃鉴别器。

生成器网络也很难使用，因为我们不知道输入向量'Z‘的什么设置会产生所需的生成图像。

似乎贴出这个问题的根本原因在于这里。选择输入向量'Z‘，使其遵循某种分布，通常为正态分布。但是，如果我们取“Z”，一个具有正态分布条目的随机向量，并计算“G(Z)”，会发生什么？我们得到一个新的向量，它遵循一个非常复杂的分布，它依赖于G。GANs的整个想法是改变G，使这个新的复杂分布更接近我们数据的分布。这个想法在3中用f-发散进行了形式化。

1

2

3