一、簡介
生成式對抗網絡（GAN, Generative Adversarial Networks ）是一種深度學習模型，是近年來複雜分佈上無監督學習最具前景的方法之一。
模型通過框架中（至少）兩個模塊：生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學習產生相當好的輸出。原始 GAN 理論中，並不要求 G 和 D 都是神經網絡，只需要是能擬合相應生成和判別的函數即可。但實用中一般均使用深度神經網絡作爲 G 和 D 。一個優秀的GAN應用需要有良好的訓練方法，否則可能由於神經網絡模型的自由性而導致輸出不理想。
下面是使用GAN生成的可愛的人臉頭像。（圖片來源於：http://baijiahao.baidu.com/s?id=1568663805038898&wfr=spider&for=pc）
可以看出生成的圖片相似度很高，很有趣。
二、GAN原理
GAN 主要包括了兩個部分，即生成器 generator 與判別器 discriminator。生成器主要用來學習真實圖像分佈從而讓自身生成的圖像更加真實，以騙過判別器。判別器則需要對接收的圖片進行真假判別。在整個過程中，生成器努力地讓生成的圖像更加真實，而判別器則努力地去識別出圖像的真假，這個過程相當於一個二人博弈，隨着時間的推移，生成器和判別器在不斷地進行對抗，最終兩個網絡達到了一個動態均衡：生成器生成的圖像接近於真實圖像分佈，而判別器識別不出真假圖像，對於給定圖像的預測爲真的概率基本接近 0.5（相當於隨機猜測類別）。
三、GAN的應用
1、圖像生成
目前GAN最常使用的地方就是圖像生成，如超分辨率任務，語義分割等等。
2、數據增強
用GAN生成的圖像來做數據增強，主要解決對於小數據集，數據量不足的情況
四、GAN詳解
公式和圖片來源於原論文，論文地址爲：https://arxiv.org/pdf/1406.2661.pdf
1、GAN最終需要優化的目標函數如下：
公式中，x表示真實圖片，z表示輸入G網絡的噪聲，而G(z)表示G網絡生成的圖片。
D(x)表示D網絡判斷真實圖片是否真實的概率（因爲x就是真實的，所以對於D來說，這個值越接近1越好）。而D(G(z))是D網絡判斷G生成的圖片的是否真實的概率。
G的目的：D(G(z))是D網絡判斷G生成的圖片是否真實的概率，G應該希望自己生成的圖片“越接近真實越好”。也就是說，G希望D(G(z))儘可能得大，這時V(D, G)會變小。因此我們看到式子的最前面的記號是min_G。
D的目的：D的能力越強，D(x)應該越大，D(G(x))應該越小。這時V(D,G)會變大。因此式子對於D來說是求最大，記爲max_D。
2、算法流程圖如下：
3、算法最終實現的結果如下圖所示：
圖中虛線代表真實數據的分佈，這裏爲高斯分佈，紅色的線代表隨機初始化的噪聲。GAN的目標便是通過不斷的訓練D和G網絡，最終使紅色曲線逐漸擬合虛線，讓D網絡傻傻分不清楚兩條線。即由圖一到圖四的過程。
五、關於GAN的一些論文
六、tensorflow實現過程
問題求解大概步驟：
1、定義D、G網絡的結構，定義輸入的shape，把每層的shape和初始化方式定義好，定義D和G兩個網絡的loss
2、train訓練 傳入兩組數據，真實的數據x和隨機初始化的數據z，並進行迭代優化求解
3、可視化打印輸出由於篇幅原因，詳細代碼和註釋見下一篇博文。