一、GAN 模型
##1、基本概念
GAN是对抗生成网络，它的应用的领域有很多，如图像翻译，图像编辑，图像超分辨率，自然语言领域等，还可结合强化学习打造基于GAN的强化学习。
##2、GAN的原理
GAN模型由两部分组成，生成网络（生成器）G，判别网络（判别器) D。如果以生成图片数据为例，在训练过程中，生成网络G的目标是尽量生成真实的图片去欺骗判别网络D，而D的目标是尽量把G生成的图片和真实的图片区分开来，这样，G和D构成了一个动态的博弈，这就是GAN的基本思想，也是GAN的名字由来。
##3.GAN的改进：
&&1.CGAN 模型 条件生成对抗网络
&&2.LAPGAN模型 拉普拉斯金字塔生成对抗网络
&&3. DCGAN模型 深度卷积对抗生成网络
主要是生成器G，做了网络结构上的变化，还有他能做一些强大的操作，如图像的表示运算，该项目是现在GAN模型中最受欢迎程度最高的。
&&4.InfoGan模型
&&5.LSGAN模型 最小二乘GAN
&&6.WGAN模型
&&7.CycleGAN 模型
##4.实际应用
DCGAN，如生成MNIST图像和自定义数据集进行训练：https://github.com/carpedm20/DCGAN-tensorflow
CGAN ，如 pix2pix 模型 ：https://github.com/affinelayer/pix2pix-tensorflow
CycleGan，https://github.com/vanhuyz/CycleGAN-TensorFlow
二、RNN模型
##1.Rnn模型的常用单元：
&&1.基本Rnn单元
&&2.LSTM 单元
&&3.GRU单元
&&4.双向RNN单元
&&5.组合单元（带有其他特性的RNN单元)
##2.RNN 两个经典的模型
&&1.PTB-LSTM语言模型
&&2.Seq2Seq 模型
