cycle GAN
此GAN适用于非配对图像到图像的转化，风格迁移
p2pGAN必须要成对的数据进行训练，现实生活中比较难找
原理：获取一个数据集的特征，并转化为另一个数据集的特征，实际的目标就是学习从X到Y的映射，我们设这个映射为F，F对应GAN的生成器，F可以将X中的图片x转化为Y中的图片F(x),对于生成的图片，我们需要用判别器判别它是否为真实雨图像。
那么会出现一个问题：如果我们采用传统生成对抗网络单独LOSS，我们得到的结果就会成为一张图片， 而不是想要的图像，损失会无效化。即：映射F完全可以将所有x都映射为Y空间中的同一张图片，所有输入的图像都变成了Y中的一张图像，这样也符合D的标准，使损失无效化
对此 作者提出了循环一致性
论文使用生成的图像进行重建与A中的某个图像进行比较，如果相同我们再输入到判别器
cycle GAN对于颜色纹理转换好，但是对于图像图形的转换效果不好。
数据集下载：https://blog.csdn.net/zhou_438/article/details/105290100