CGAN通过在生成器和判别器中均使用标签信息进行训练，不仅能产生特定标签的数据，还能够提高生成数据的质量；SGAN（Semi-Supervised GAN)通过使判别器/分类器重建标签信息来提高生成数据的质量。既然这两种思路都可以提高生成数据的质量，于是ACGAN综合了以上两种思路，既使用标签信息进行训练，同时也重建标签信息，结合CGAN和SGAN的优点，从而进一步提升生成样本的质量，并且还能根据指定的标签相应的样本。
1. ACGAN的网络结构为：
生成器的输入包含C_vector和Noise_data两个部分，其中C_vector为训练数据标签信息的One-hot编码张量，其形状为：（batch_size, num_class) ；Noise_data的形状为：（batch_size, latent_dim）。然后将两者进行拼接，拼接完成后，得到的输入张量为：（batch_size, num_class + latent_dim）。生成器的的输出张量为：（batch_size, channel, Height, Width）。
判别器的输入为：（batch_size, channel, Height, Width）； 判别的器的输出为两部分，一部分是源数据真假的判断，形状为：（batch_size, 1），一部分是输入数据的分类结果，形状为：（batch_size, class_num）。因此判别器的最后一层有两个并列的全连接层，分别得到这两部分的输出结果，即判别器的输出有两个张量（真假判断张量和分类结果张量）。
2. ACGAN的损失函数：
对于判别器而言，既希望分类正确，又希望能正确分辨数据的真假；对于生成器而言，也希望能够分类正确，当时希望判别器不能正确分辨假数据。
判别器的损失函数：
真假判断损失：
分类损失：
D_real, C_real = Discriminator( real_imgs) # real_img 为输入的真实训练图片
D_real_loss = torch.nn.BCELoss(D_real, Y_real) # Y_real为真实数据的标签，真数据都为-1，假数据都为+1
C_real_loss = torch.nn.CrossEntropyLoss(C_real, Y_vec) # Y_vec为训练数据One-hot编码的标签张量
gen_imgs = Generator(noise， Y_vec)
D_fake, C_fake = Discriminator(gen_imgs)
D_fake_loss = torch.nn.BCELoss(D_fake, Y_fake)
C_fake_loss = torch.nn.CrossEntropyLoss(C_fake, Y_vec)
D_loss = D_real_loss + C_real_loss + D_fake_loss + C_fake_loss
生成器的损失函数：
真假判断损失：
分类损失：
gen_imgs = Generator(noise, Y_vec)
D_fake, C_fake = Discriminator(gen_imgs)
D_fake_loss = torch.nn.BCELoss(D_fake, Y_real)
C_fake_loss = torch.nn.CrossEntropyLoss(C_fake, Y_vec)
G_loss = D_fake_loss + C_fake_loss
