用GAN做 feature extraction
infoGAN
原来的GAN：
infoGAN：
把输入z分成两部分，假设z是20维，把前十维叫做c，后十维叫做z‘。
训练一个classifier：看generator输出的x，反推出输入的c。可以将generator看做encoder，classifier看做decoder，二者合起来看做一个auto-encoder。这个auto-encoder和一般的auto-encoder正好相反：输入一张图片，预测产生图片的code c
VAE-GAN
对encoder：
最小化重建误差；让z接近normal
对generator：
最小化重建误差；骗过discriminator
对discriminator：
辨别真实图、生成图和重建图
BiGAN
encoder：输入图片x，输出编码z
decoder：输入编码z，输出图片
二者的输入输出不是接在一起的；不会把encoder的输出传给decoder，也不会把decoder的输出传给encoder
添加一个discriminator：
输入x和z，判别一组（x，z）来自encoder还是decoder
算法：
BiGAN和AutoEncoder在最优条件下训练结果相同。
Triple GAN
一个generator，一个discriminator，一个classifier。
其中generator和discriminator组成conditional GAN
少量的label data，大量的unlabel data
Domain-adversarial training
绿色是生成器，输入照片x，输出特征 f
粉色是判别器，判别当前特征 f 输入哪个domain
蓝色分类器，判断当前特征 f 输入哪个class
上述三个是同时进行的。
来源：CSDN
作者：shanhaibukeping
链接：https://blog.csdn.net/shanhaibukeping/article/details/103844082