在詳細介紹 GAN 的理論前，想先補充一下條件生成的概念，以及如何訓練 GAN 以達到條件生成的目標～

條件生成（conditional generation）與無條件生成（unconditional generation）

生成任務依照輸入是否有控制模型產生圖片的條件，可分為條件生成與無條件生成。

條件生成其實就例如我之前這張圖所畫的，模型的輸入除了有隨機抽樣的向量（z），還有一個條件（x）控制模型生成圖片的內容，例如這裡輸入了「狗」，我們就會期望模型產生狗的影像，而不是貓啊熊啊之類其他不相干的影像

如果生成任務沒有受到條件的限制，就隨機的產生影像，那就是無條件生成。如下圖只輸入從常態分布抽樣出來的向量，輸出就是隨機的，如果訓練資料的內容涵蓋動物圖片和風景照，模型就可能隨機生成貓狗影像和街景照。

從實際應用的角度來看，能用條件控制生成比較接近我們對生成任務的期待。其實，條件生成不只包含像上面的例子使用一個標籤（「狗」）作為條件，利用一段文字引導影像生成（text-to-image，例如 Bing Image Creator）、輸入一張影像讓模型轉換為另一種風格的影像（pix2pix），或透過語音控制影像生成（sound-to-image），都屬於條件式影像生成的範疇。

如何訓練 conditional GAN？

不知道大家有沒有注意到了，上一篇文章在介紹如何訓練 GAN 時，只要求 discriminator 分辨影像是真實的還是生成的，generator 也只要產生夠逼真的圖片騙過 discriminator 就好，我們並沒有訓練模型依照輸入條件產生影像，因此這樣的訓練方式得到的會是 unconditional GAN。

那要如何訓練 conditional GAN，讓它依照條件產生圖片呢？

首先我們必須準備條件與圖片的成對資料訓練 discriminator，此時 discriminator 不只要能依照影像品質分辨出真實影像和生成影像，還要判斷影像內容和條件是否符合。

接著，generator 再依照 discriminator 判別的結果，學習產生更逼真且符合條件的影像。然後就像是先前介紹訓練 unconditional GAN 一樣，不斷重複訓練 discriminator 和 generator，我們就能獲得能夠依照條件產生精緻影像的模型了～

今天就先這樣啦～明天要介紹的是 GAN 的理論，真是令人緊張啊