task10
GAN
給定這樣一個模型，我們可以對類似於訓練數據分佈的綜合數據點進行採樣。例如，給定大量的面孔照片，我們可能希望能夠生成新的真實感圖像，看起來好像它可能來自同一數據集。這種學習稱爲生成建模。
GAN的核心思想是，如果我們不能將假數據與真實數據區分開，那麼數據生成器就很好。
在統計中，這稱爲兩次抽樣檢驗-回答是否從同一分佈中得出數據集X = {x1，…，xn}和X’= {x1’，…，xn’}的問題的檢驗。大多數統計文件與GAN之間的主要區別在於，後者以建設性的方式使用了這一思想。
換句話說，他們是使用兩個樣本的檢驗爲生成的模型提供訓練信號。這使我們能夠改進數據生成器，直到它生成類似於真實數據的內容爲止。
GAN架構有兩部分-首先，我們需要一個設備（例如，深層網絡，但實際上可能是任何東西，例如遊戲渲染引擎），這可能是能夠生成看起來像真實事物的數據。如果要處理圖像，則需要生成圖像。
鑑別器是一個二進制分類器，用於區分輸入xx是真實的（來自真實數據）還是僞造的（來自生成器）。