CGAN条件生成对抗网络实战：解决小样本数据生成难题

1次阅读

共计 1554 个字符，预计需要花费 4 分钟才能阅读完成。

在深度学习项目中，小样本数据是常见的挑战。传统的图像增强方法（如旋转、裁剪、翻转）虽然能增加数据量，但它们存在明显的局限性：

仅能产生有限的变体，无法生成真正的新样本
对于非图像数据（如文本、时间序列）适用性差
无法学习数据背后的潜在分布

CGAN（Conditional Generative Adversarial Networks）通过引入条件标签信息，能够生成符合特定类别的高质量数据，有效解决上述问题。

指标	GAN	CGAN	DCGAN
生成质量	中等	高	高
训练稳定性	低	中等	高
条件控制	无	有	可选
模式崩溃风险	高	中等	低

生成器架构 （PyTorch 实现）：

class Generator(nn.Module):
    def __init__(self, latent_dim, num_classes, img_channels):
        super().__init__()
        # 标签嵌入层（将类别标签映射到隐空间）self.label_embedding = nn.Embedding(num_classes, latent_dim)

        # 转置卷积网络结构
        self.main = nn.Sequential(
            # 初始输入：latent_dim * 2（噪声 + 标签）nn.ConvTranspose2d(latent_dim*2, 512, 4, 1, 0, bias=False),
            nn.BatchNorm2d(512),
            nn.ReLU(True),
            # 后续层省略...
        )

关键参数说明：
– leakyReLU 的 slope=0.2：平衡梯度流动，防止神经元死亡
– 转置卷积的 stride=2：实现特征图上采样

def generate_conditioned_noise(batch_size, latent_dim, num_classes, device):
    # 生成基础噪声
    noise = torch.randn(batch_size, latent_dim, 1, 1, device=device)
    # 生成随机标签
    labels = torch.randint(0, num_classes, (batch_size,), device=device)
    # 将标签嵌入到噪声空间
    label_embed = generator.label_embedding(labels).unsqueeze(2).unsqueeze(3)
    # 拼接噪声和标签条件
    conditioned_noise = torch.cat([noise, label_embed], dim=1)
    return conditioned_noise, labels