一. 什麼叫生成對抗網絡
Lan J.Goodfellow等於2014年10月在Generative Adversarial Network中提出的一個通過對抗過程估計生成模型的新框架。框架中同時訓練兩個模型：捕獲數據分佈的生成模型G，和估計樣本來自訓練數據的概率的判別模型D。
舉一個例子來說，現在有一個假的畫家，有一個判別家，假的畫家就是生成器G，判別家就是D，假畫家不斷的畫畫，然後判別家不斷的去判斷這幅畫，是不是真畫家畫的，真畫家的畫也會給到判別家，然後判別家會把這個結果傳遞給G，也就是假畫家，假畫家會進行學習，不斷的去迷惑判別家，判別家也會不斷學習，減少被迷惑的概率，到最後，假畫家畫出來的話，判別家就很難辨認真僞了。
二. GAN模型原理
GAN基本原理：以生成圖片爲例。假設我們有兩個網絡：G(Generator)和D(Discriminator)。他們的功能分別爲：
G：一個生成圖片的網絡，它接收一個隨機噪聲z，通過這個噪聲生成圖片，記做G(z)；
D：一個判別網絡，判別一張圖片是不是“真實的”。它的輸入參數是x，x代表一張圖片，輸出D(x)代表x爲真實圖片的概率。
在訓練中，生成器G的目標就是儘量生成真實的圖片去欺騙判別網絡D，而D的目標就是儘量識別出生成器的假圖片。這樣，G和D構成了一個動態的“博弈”。
理想狀態下，G可以生成足以“以假亂真”的圖片G(z)。對D來說，它難以判定G生成的圖片究竟是不是真實的，這樣我們的目的就達到了：我們得到了一個生成模型G，它可以用來生成我們想要的圖片。
三. GAN更新公式
這就是整個模型損失函數的定義，其實是一個交叉熵，其中x表示真實圖片，z表示輸入G網絡的噪聲，G(z)表示G生成器中生成的圖片，D表示D網絡判斷圖片是否真實的概率（判別家的角色）。判別家D的目的是儘可能的使得D(x)接近1，令D(G(z))接近0，所以D主要是最大化上面的損失函數，G恰恰相反，他主要是最小化上述損失函數。
