将这段代码转为cgan

当将代码转换为CGAN时，我们需要在生成器和判别器中添加条件向量的输入，并相应地修改训练过程中的输入。以下是一个简化的示例代码，演示了如何将普通的GAN转换为CGAN：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

# 定义生成器模型
def build_generator():
    model = tf.keras.Sequential()
    model.add(layers.Dense(256, input_dim=100))  # 输入随机噪声
    model.add(layers.LeakyReLU(alpha=0.2))
    model.add(layers.Dense(512))
    model.add(layers.LeakyReLU(alpha=0.2))
    model.add(layers.Dense(28*28, activation='tanh'))  # 输出图像
    return model

# 定义判别器模型
def build_discriminator():
    model = tf.keras.Sequential()
    model.add(layers.Dense(512, input_dim=28*28))  # 输入图像
    model.add(layers.LeakyReLU(alpha=0.2))
    model.add(layers.Dense(256))
    model.add(layers.LeakyReLU(alpha=0.2))
    model.add(layers.Dense(1, activation='sigmoid'))  # 输出二分类结果
    return model

# 定义CGAN模型
class CGAN:
    def __init__(self):
        self.img_rows = 28
        self.img_cols = 28
        self.img_shape = (self.img_rows * self.img_cols,)
        self.latent_dim = 100

        # 构建生成器和判别器模型
        self.generator = build_generator()
        self.discriminator = build_discriminator()

    def train(self, epochs, batch_size, sample_interval):
        # 加载数据集...
        # ...

        for epoch in range(epochs):
            # 随机选择一批真实图像和对应的条件向量
            idx = np.random.randint(0, X_train.shape[0], batch_size)
            imgs = X_train[idx]
            labels = y_train[idx]

            # 生成一批条件向量和噪声
            noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

            # 使用生成器生成一批合成图像
            gen_imgs = self.generator.predict([noise, labels])

            # 训练判别器
            d_loss_real = self.discriminator.train_on_batch([imgs, labels], np.ones((batch_size, 1)))
            d_loss_fake = self.discriminator.train_on_batch([gen_imgs, labels], np.zeros((batch_size, 1)))
            d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

            # 训练生成器
            g_loss = self.combined.train_on_batch([noise, labels], np.ones((batch_size, 1)))

            if epoch % sample_interval == 0:
                # 保存生成的图像...
                # ...

在CGAN模型中，生成器和判别器的输入分别为噪声向量和条件向量。在训练过程中，我们将真实图像和对应的条件向量作为判别器的输入，并使用生成器根据噪声向量和条件向量生成合成图像。

需要注意的是，代码中的数据加载、保存图像等部分需要根据实际情况进行修改。此外，还可以根据任务的不同调整模型架构和超参数。

希望这个示例能帮助你将普通的GAN转换为CGAN。如果还有其他问题，请随时提问！