CGAN条件生成对抗网络实战：从零构建图像生成模型

1次阅读

没有评论

共计 2539 个字符，预计需要花费 7 分钟才能阅读完成。

传统 GAN 虽然能生成逼真图像，但存在一个致命缺陷——无法控制生成内容的类别。比如训练一个手写数字生成模型时，我们无法指定生成 ”7″ 或 ”9″，完全依赖随机采样。这种不可控性在实际应用中成为硬伤。

CGAN(Conditional GAN)通过引入条件标签，完美解决了这个问题。其核心思想是：在生成器和判别器的输入中均加入类别标签信息，使生成过程变得可控。但新手实现时常常会遇到以下问题：

标签未正确注入网络，导致模型退化为普通 GAN
生成器忽视条件信息，产生与标签不符的内容
模式崩溃 (Mode Collapse) 现象比普通 GAN 更严重
训练过程中判别器过早压倒生成器

与 DCGAN、WGAN 相比，CGAN 的特别之处在于：

输入维度增加：生成器的噪声输入 z 需要与条件标签结合
判别器多任务：既要判断真伪，又要评估内容与标签的匹配度
特征融合方式 ：条件信息可通过拼接(concat) 或嵌入 (embedding) 两种方式注入

最直观的实现方式，直接将标签拼接在噪声向量或图像特征上。以 MNIST 生成为例：

# 生成器输入示例
z = torch.randn(batch_size, latent_dim)  # 随机噪声
y = F.one_hot(labels, num_classes=10)    # 标签 one-hot 编码
generator_input = torch.cat([z, y], dim=1)  # 拼接操作

更优雅的实现方式，尤其适合类别数较多的情况：

# 使用嵌入层处理标签
class Generator(nn.Module):
    def __init__(self):
        self.label_embedding = nn.Embedding(num_classes, embedding_dim)
        # ... 其他层定义...

    def forward(self, z, labels):
        embedded_labels = self.label_embedding(labels)
        x = torch.cat([z, embedded_labels], dim=1)
        # ... 后续处理...

以下是生成器的核心代码（判别器结构对称）：

import torch.nn as nn

class CGAN_Generator(nn.Module):
    def __init__(self, latent_dim=100, num_classes=10, img_channels=1):
        super().__init__()
        self.label_embedding = nn.Embedding(num_classes, latent_dim)

        self.model = nn.Sequential(# 输入: latent_dim*2 (噪声 + 标签嵌入)
            nn.Linear(latent_dim*2, 256),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Linear(256, 512),
            nn.BatchNorm1d(512),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Linear(512, 1024),
            nn.BatchNorm1d(1024),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Linear(1024, img_channels*28*28),  # MNIST 尺寸
            nn.Tanh())

    def forward(self, z, labels):
        # 标签嵌入并与噪声拼接
        label_embed = self.label_embedding(labels)
        input = torch.cat([z, label_embed], dim=1)
        img = self.model(input)
        return img.view(img.size(0), 1, 28, 28)

关键参数说明：

latent_dim=100：经验值，过小会导致多样性不足
LeakyReLU(0.2)：比 ReLU 更适合 GAN，避免梯度消失
BatchNorm：加速收敛，但判别器最后一层不要使用

Fréchet Inception Distance (FID)是目前最可靠的生成质量评估指标。实现步骤：

计算真实图像和生成图像在 Inception-v3 特征空间的均值和协方差
使用以下公式计算距离：

# 简化版 FID 计算
def calculate_fid(real_features, fake_features):
    mu1, sigma1 = real_features.mean(0), torch.cov(real_features.T)
    mu2, sigma2 = fake_features.mean(0), torch.cov(fake_features.T)

    diff = mu1 - mu2
    covmean = sqrtm(sigma1 @ sigma2)

    fid = diff.dot(diff) + torch.trace(sigma1 + sigma2 - 2*covmean)
    return fid