什么是GAN

GAN：对抗网络

属于生成模型中的一种

生成模型：
给定训练集，模型可以产生与训练集同分布的新样本
（即训练集样本的分布和新样本的分布是一致的）
生成模型的分类：
显示的密度估计：显示的定义并求解分布Pdata
隐式的密度估计：学习一个模型Pmodel，而无需显示的定义它

GAN的原理

简单的理解为两个玩家的博弈战

生成网络的目的：产生尽量真实的图片，进而骗过判别器

判别网络的目的：准确的区分真假图片

模型的训练过程：生成网络接受一维的噪声输入，通过网络的各种变换，输出1*28*28的图片输出；判断器对生成图片进行打分（0-1），打的分数越低说明生成网络的效果越差，进而计算梯度进行生成网络的优化迭代；而判别器同时获得一个真样本和假样本，看它能否判别效果如何。训练过程中，两者互相博弈，达到平衡。

参数解释：

G表示生成网络，D表示判断器（输出是0-1），z为噪声输入，x为样本数据

要想整个式子最大，只能使得 $D(x)=1$ ，即判断器对真实图片的输入打1分， $D(G_\theta(z)) =0$ 即对生成的1*28*28的图片打0分。这个过程就是对判别器进行训练，训练他辨别假样本的能力。

前半个式子中没有涉及到θg，则只要让后面的式子最小即可，那么最好是让 $D(G_\theta(z))$ 越大越好，就是要让生成网络生成的图片越真越好，使得判别器对他的打分越接近于1.