GAN的入門介紹
訓練D的過程：
訓練G的過程：
將G與D組成一個大的網絡，同時，固定住D的參數，使得輸出的scale越大越好。
算法：
其中，Learning D和Learning G時，採樣的noise sample不必相同。
GAN可以被視爲Structured Learning中的一種，下面是Structured Learning的定義。
將output視爲一個class時，Structured Learning可以視爲一類極端的One-shot/Zero-shot Learning，因爲輸出空間非常巨大，很多時候輸出是從未見過的類別。
Structured Learning需要有大局觀，需要將生成的各個components有序地組合起來，單看某一個component是沒有意義的。
傳統的Structured Learning有兩類方法：bottom-up和top-down，可以將bottom-up視爲generator，而將top-down視爲discriminator，這樣，GAN就可以理解爲這兩種方法的結合體。
