1.介绍
本文基本从《Generative Adversarial Nets》翻译总结的。
GAN（Generative Adversarial Nets），生成式对抗网络。包含两个模型，一个生成模型G，用来捕捉数据分布，一个识别模型D，用来评估采样是来自于训练数据而不是G的可能性。
这两个模型G与D是竞争关系、敌对关系。比如生成模型G就像是在制造假的货币，而识别模型D就像是警察，尝试检测这些假币。这两个模型间的竞争，使它们都在不断完善自己，直到假币和真币无法区分为止。
本论文的例子，训练两个模型时仅使用了反向传播和dropout 算法，在从生成模型中采样时，只使用的前向传播。近似推理或者Markov chain是不必要的。
2.相关方法
（1）定向图模型与非定向图模型，比如限制玻尔兹曼机（RBMs）、深度玻尔兹曼机(DBMs)、以及相关变体。这些模型使用了归一化处理，针对随机参数的所有状态。这些归一化比例函数以及他们的梯度是很难计算的，虽然可以采用Markov chain Monte Carlo（MCMC）方法进行估计。
（2）DBNs(Deep belief networks) 是组合模型，包括一个非定向层和一堆定向层。当一个快速近似逐层训练存在时，DBNs在集合非定向与定向模型时也会面临计算困难的问题。
（3）生成随机网络GSN, 使用了Markov chain。而GAN不需要Markov chain，因为在生成时，不需要反向传播。
3.对抗网络
p（z）:带有噪声的输入；
G（z,θ）:一个可微分的函数，带参数θ的多层感知机；
D（x）:代表x是来自于data还是来自于生成函数的概率。
整体训练函数如下，最大化D，同时针对G来最小化log（1-D（G（z）））：
算法如下：
3.1命题1
如果G固定，最佳的D如下：
证明如下：
3.2定理1
C（G）=max V（G,D）。
只有生成数据的分布函数p和原数据data的分布函数p相等时，C（G）训练完成，其值等于-log4.
3.3算法的收敛
生成数据的分布函数p收敛于原数据data的分布函数p。
实际上，生成网络只有有限的生成数据分布函数P，因为函数G（z，θ）的存在，我们最终是最优化θ，而不用最优化生成数据分布函数P。
4.实验结果
使用Parzen窗估计，应用于G产生的样例。
核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。
生成的示例，比如下图最右侧的图片是生成网络生成的。
5.总结
1.可以用于半监督学习，比如在标签数据较少时，识别器或者推理网络获得的特征可以改善分类效果。
2.训练效率提升，知道了G和D可以有效提升训练速度。
