Machine learning 生成性对抗网络需要类别标签吗？

我正在努力理解一个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：政府官员在培训过程中使用班级标签吗？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图像，而生成器则试图创建真实图像（但不是任何特定类别的图像）

---

如果是这样，那么研究人员打算如何使用鉴别器网络进行分类任务？网络将只能在真实或虚假图像之间执行双向分类。发电机网络也很难使用，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

这完全取决于您试图构建的网络。如果你具体谈论的是基本的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，因此不需要类别标签。GAN（cGAN）有一个条件变量，您可以使用生成器和鉴别器中的类标签。这允许您使用生成器生成特定类的示例，并使用鉴别器对其进行分类（以及真实/虚假分类）

从我所做的阅读来看，鉴别器网络只是用作培训生成器的工具，而生成器是主要关注的网络。当您可以使用ResNet或VGG网络进行分类任务时，为什么要使用用于训练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GAN可能会造成困难，因为模式崩溃并不断生成相同的图像。这就是引入条件变量的原因

希望这能把事情弄清楚

GAN是否在培训过程中使用班级标签

作者怀疑GANs不需要标签。这是正确的。训练鉴别器对真假图像进行分类。因为我们知道哪些图像是真实的，哪些是由生成器生成的，所以我们不需要标签来训练鉴别器。生成器经过训练可以愚弄鉴别器，鉴别器也不需要标签

这是GANs最具吸引力的优点之一[1]。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。这个想法是[2]引入条件GAN的后续工作的基础

如果是这样，那么研究人员打算如何使用鉴别器网络进行分类任务

这里似乎有误会。鉴别器的目的不是充当真实数据的分类器。鉴别器的目的是“告诉发生器如何改进其假货”。这是通过使用鉴别器作为损失函数来实现的，如果是神经网络，我们可以通过它反向传播梯度。经过训练后，我们通常丢弃鉴别器

发电机网络也很难使用，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

似乎发布这个问题的根本原因就在这里。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”，一个正态分布的随机向量，然后计算“G（Z）”，会发生什么呢？我们得到一个新的向量，它遵循一个依赖于G的非常复杂的分布。GANs的整个思想是改变G，使这个新的复杂分布接近于我们数据的分布。这一思想在[3]中用f-发散形式化

[1]

[2]

[3]