我试图了解GAN是如何训练的。我相信了解对抗训练过程。我无法找到的信息是：GAN在培训过程中使用类标签吗？我当前的理解说不 - 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（但不是任何特定类的图像。）
如果是这种情况，那么研究人员如何建议将鉴别器网络用于分类任务？网络只能在真实或虚假图像之间进行双向分类。生成器网络也很难使用，因为我们不知道输入向量的设置是什么？Z＆＃39; Z＆＃39;将产生所需的生成图像。
答案 0 :(得分：1)
这完全取决于您尝试构建的网络。如果你正在谈论基本的GAN，那么你是对的。不需要类标签，因为鉴别器网络仅对真/假图像进行分类。有一个GAN（cGAN）的条件变体，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生成特定类的示例，并使用鉴别器（以及真/假分类）对它们进行分类
从我所做的阅读中，鉴别器网络仅用作训练发电机的工具，发电机是关注的主要网络。当您可以使用ResNet或VGG网络进行分类任务时，为什么要使用您用于训练GAN进行分类的鉴别器。无论如何，这些网络将更好地工作。你是对的，因为模式崩溃并不断产生相同的图像，使用原始GAN可能会造成困难。这就是引入条件变体的原因。
希望这可以解决问题！
答案 1 :(得分：0)
GAN在训练过程中会使用班级标签吗？
作者怀疑GAN不需要标签。这是对的。鉴别器受过训练，可以对真实和伪造图像进行分类。由于我们知道哪些图像是真实的，哪些图像是由生成器生成的，因此我们不需要标签来训练鉴别器。生成器经过训练可以欺骗鉴别器，该鉴别器也不需要标签。
这是GAN最具吸引力的优势之一[1]。通常，我们将不需要标签的方法称为无监督学习。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改善性能的GAN。这个想法奠定了[2]引入有条件 GAN的后续工作的基础。
如果是这样，那么研究人员如何建议使用区分器网络进行分类任务？
这里似乎存在误解。区分器的目的不是充当真实数据的分类器。鉴别器的目的是“告诉发电机如何改进其假货”。这是通过使用鉴别器作为损失函数来完成的，如果它是神经网络，我们可以反向传播梯度。训练后，我们通常会丢弃鉴别器。
生成器网络也将难以使用，因为我们不知道输入矢量'Z'的哪种设置会产生所需的生成图像。
似乎发布此问题的根本原因就在这里。选择输入矢量“ Z”，使其遵循某种分布，通常是正态分布。但是，如果我们取具有正态分布项的随机向量'Z'并计算'G（Z）'，那会发生什么呢？我们得到一个新矢量，该矢量遵循非常依赖G的非常复杂的分布。GAN的整个思想是更改G，以使这种新的复杂分布接近我们数据的分布。这个想法在[3]中用f-散度形式化。
[1] https://arxiv.org/abs/1406.2661