《Conditional Generative Adversarial Nets》：
发表于2014 computer Science。作者提出了最简单的条件控制GAN模型，在D和G两个模型中都加入了条件Y。
开篇阐述了原始GAN模型的优势，不需要马尔科夫链，模型的通用灵活性，生成样本质量高，log-likelihood estimate近似度高等，进而引申出加入条件概率进行控制的话题。
本人使用CGAN训练celebA效果很差，收敛慢，原因不明
《Conditional Generative Adversarial Nets》：
发表于2014 computer Science。作者提出了最简单的条件控制GAN模型，在D和G两个模型中都加入了条件Y。
开篇阐述了原始GAN模型的优势，不需要马尔科夫链，模型的通用灵活性，生成样本质量高，log-likelihood estimate近似度高等，进而引申出加入条件概率进行控制的话题。
本人使用CGAN训练celebA效果很差，收敛慢，原因不明