GAN是最近幾年來很有名的算法，起源於這篇論文，我們今天來看看究竟是怎麼一回事吧。
我也不想嘰裏呱啦講一大堆，想看論文翻譯版的直接複製粘貼谷歌翻譯就行了。我只介紹大致思想。
GAN其實目標就是生成能以假亂真的圖片，於是這裏有兩個子網絡，生成網絡（generative model）和判別網絡（discriminative model），分別稱爲G和D。D的目標就是盡力分辨出哪個圖片是真實數據哪個是生成的，而G的目標就是盡力讓D混淆。網絡結構圖如下：
因爲D和G像是一個對抗遊戲，所以該網絡的名字叫adversarial。整個訓練目標如下：
第一項是D的訓練目標，最大化正確分類的判別概率，第二項是G的最小化訓練目標。在實際操作的時候，G訓練爲最大化
，這是因爲原來的那一項在早期學習的時候容易飽和，而換成這一項之後能提供更強的梯度。
下面我們看一看在訓練過程中整個網絡發生了什麼樣的變化：
上圖是對抗網絡訓練過程的通俗理解。圖中的藍色虛線是判別器D，綠色實線是生成模型G的分佈P(G)，黑色點畫線是真實數據生成分佈Px，下方的兩個橫線表示x=G(z)這個將噪聲映射到x的趨勢。從（a）到（d）可以看到，隨着訓練迭代，G的分佈越來越接近真實數據，而D最後無法區分G和真實數據，變成一個定值0.5。
當然作者還做了實驗來驗證，具體可以看看論文。