参考：
https://baijiahao.baidu.com/s?id=1568663805038898&wfr=spider&for=pc
Generative Adversarial Network
GAN基础和优点
这些惊艳的工作基本都是2016年8月甚至10月以后的，也就是 GAN 被提出两年后。这是因为，虽然 GAN 有非常吸引人的性质，想要训练好它并不容易。经过两年的摸索、思考与尝试，才有了如今的积累和突破。
那么这个非常吸引人的 GAN 是什么样呢。其实 GAN 最初让人“哇”的地方在于，作为一个生成模型，GAN 就像魔术师变魔术一样，只需要一个噪音（噪音向量），就可以生成一只兔子！
在这样反复的练习中，作为魔术师的 GAN 扮演的是生成模型的角色，目的是要不断地提高自己的魔术水平，从而变出更活灵活现的兔子；而观众扮演的是一种判别模型的角色，目的是考察和激励魔术师提高自己的水平。但是这种激励是通过批评或者惩罚的方式完成的。
严格来说，一个 GAN 框架，最少（但不限于）拥有两个组成部分，一个是生成模型 G，一个是判别模型 D。在训练过程中，会把生成模型生成的样本和真实样本随机地传送一张（或者一个 batch）给判别模型 D。判别模型 D 的目标是尽可能正确地识别出真实样本（输出为“真”，或者1），和尽可能正确地揪出生成的样本，也就是假样本（输出为“假”，或者0）。
这两个目标分别对应了下方的目标函数的第一和第二项。
而生成模型的目标则和判别模型相反，就是尽可能最小化判别模型揪出它的概率。这样 G 和 D 就组成了一个 min-max game，在训练过程中双方都不断优化自己，直到达到平衡——双方都无法变得更好，也就是假样本与真样本完全不可区分。
这样 G 和 D 就组成了一个 min-max game，在训练过程中双方都不断优化自己，直到达到平衡——双方都无法变得更好，也就是假样本与真样本完全不可区分。
通过这样的巧妙设计，GAN 就拥有了一个非常吸引人的性质。GAN 中的 G 作为生成模型，不需要像传统图模型一样，需要一个严格的生成数据的表达式。这就避免了当数据非常复杂的时候，复杂度过度增长导致的不可计算。同时，它也不需要 inference 模型中的一些庞大计算量的求和计算。它唯一的需要的就是，一个噪音输入，一堆无标准的真实数据，两个可以逼近函数的网络。
剩下的就看不懂了。。。
能知识再多积累一些，再看剩下的吧：
https://mp.weixin.qq.com/s?__biz=MzAwMjM3MTc5OA==&mid=2652692740&idx=1&sn=f1b134f63eb0bf5e4d6759db4d740e58