GAN是最近几年来很有名的算法，起源于这篇论文，我们今天来看看究竟是怎么一回事吧。
我也不想叽里呱啦讲一大堆，想看论文翻译版的直接复制粘贴谷歌翻译就行了。我只介绍大致思想。
GAN其实目标就是生成能以假乱真的图片，于是这里有两个子网络，生成网络（generative model）和判别网络（discriminative model），分别称为G和D。D的目标就是尽力分辨出哪个图片是真实数据哪个是生成的，而G的目标就是尽力让D混淆。网络结构图如下：
因为D和G像是一个对抗游戏，所以该网络的名字叫adversarial。整个训练目标如下：
第一项是D的训练目标，最大化正确分类的判别概率，第二项是G的最小化训练目标。在实际操作的时候，G训练为最大化
，这是因为原来的那一项在早期学习的时候容易饱和，而换成这一项之后能提供更强的梯度。
下面我们看一看在训练过程中整个网络发生了什么样的变化：
上图是对抗网络训练过程的通俗理解。图中的蓝色虚线是判别器D，绿色实线是生成模型G的分布P(G)，黑色点画线是真实数据生成分布Px，下方的两个横线表示x=G(z)这个将噪声映射到x的趋势。从（a）到（d）可以看到，随着训练迭代，G的分布越来越接近真实数据，而D最后无法区分G和真实数据，变成一个定值0.5。
当然作者还做了实验来验证，具体可以看看论文。