简介
之前的文章介绍了AE和VAE，指出了它们的优缺点。AE适合数据压缩与还原，不适合生成未见过的数据。VAE适合生成未见过的数据，但不能控制生成内容。本文所介绍的CVAE（Conditional VAE）可以在生成数据时通过指定其标签来生成想生成的数据。CVAE的结构图如下所示：
整体结构和VAE差不多，区别是在将数据输入Encoder时把数据内容与其标签(label)合并(cat)一起输入，将编码(Z)输入Decoder时把编码内容与数据标签(label)合并(cat)一起输入。注意label并不参与Loss计算，CVAE的Loss和VAE的Loss计算方式相同（input和output的MSE Loss以及\(\mathcal{N}\left(\mu_{}, \sigma_{}^2\right)\)与\(\mathcal{N}\left(0, 1\right)\)的KL Loss）
因此我们在生成数据时，可以先从正态分布采样，然后cat上你想生成的数据的label，一起送入Decoder，就能生成和label类似的数据。
代码
有关CVAE的代码实现：Github
实验结果：
从正态分布采样100个latent并选择期望生成的图片的标签，把它们cat以后一起输入训练好的Decoder
标签为1时：
标签为9时：
