基本概念：
GAN由生成器和判別器組成，生成器負責生成樣本，判別器負責判斷生成器生成的樣本是否爲真。生成器要儘可能迷惑判別器，而判別器要儘可能區分生成器生成的樣本和真實樣本
GAN圖
左邊是生成器，
其輸入是，對於原始的GAN，是由高斯分佈隨機採樣得到的噪聲。噪聲通過生成器得到了生成的假樣本。
右邊爲判別器
生成的假樣本與真實樣本放到一起，被隨機抽取送入到判別器D，由判別器去區分輸入的樣本是生成的假樣本還是真實的樣本。
“生成對抗”
生成對抗網絡中的“生成對抗”主要體現在生成器和判別器之間的對抗。
GAN的目標函數是什麼？
第一部分：第一項表示對於從真實數據分佈 中採用的樣本 ,其被判別器判定爲真實樣本概率的數學期望。對於真實數據分佈 中採樣的樣本，其預測爲正樣本的概率當然是越接近1越好。因此希望最大化這一項。第二項表示：對於從噪聲分佈當中採樣得到的樣本，經過生成器生成之後得到的生成圖片，然後送入判別器，其預測概率的負對數的期望，這個值自然是越大越好，這個值越大， 越接近0，也就代表判別器越好。
第二部分：生成器不是最小化判別器的目標函數，二是最小化判別器目標函數的最大值，判別器目標函數的最大值代表的是真實數據分佈與生成數據分佈的JS散度(詳情可以參閱附錄的推導)，JS散度可以度量分佈的相似性，兩個分佈越接近，JS散度越小。
判別器目標函數寫成離散形式即爲:
可以看出，這個目標函數和交叉熵是一致的，即判別器的目標是最小化交叉熵損失，生成器的目標是最小化生成數據分佈和真實數據分佈的JS散度。