簡介
之前的文章介紹了AE和VAE，指出了它們的優缺點。AE適合數據壓縮與還原，不適合生成未見過的數據。VAE適合生成未見過的數據，但不能控制生成內容。本文所介紹的CVAE（Conditional VAE）可以在生成數據時通過指定其標簽來生成想生成的數據。CVAE的結構圖如下所示：
整體結構和VAE差不多，區別是在將數據輸入Encoder時把數據內容與其標簽(label)合並(cat)一起輸入，將編碼(Z)輸入Decoder時把編碼內容與數據標簽(label)合並(cat)一起輸入。注意label並不參與Loss計算，CVAE的Loss和VAE的Loss計算方式相同（input和output的MSE Loss以及\(\mathcal{N}\left(\mu_{}, \sigma_{}^2\right)\)與\(\mathcal{N}\left(0, 1\right)\)的KL Loss）
因此我們在生成數據時，可以先從正態分布采樣，然后cat上你想生成的數據的label，一起送入Decoder，就能生成和label類似的數據。
代碼
有關CVAE的代碼實現：Github
實驗結果：
從正態分布采樣100個latent並選擇期望生成的圖片的標簽，把它們cat以后一起輸入訓練好的Decoder
標簽為1時：
標簽為9時：
