生成对抗网络GAN，是当今的一大热门研究方向，在2014年被Goodfellow提出来。
学习GAN，首先应该了解GAN是是干什么的，为什么要学GAN
GAN的初衷就是生成不存在于真实世界的数据，类似于使得AI具有创造力或者想象力。应用场景如下：
1.AI作家，AI音乐，可以生成相似风格的曲目，AI 画家等需要创造力的AI体
2.将模糊的图像变清晰（去雨，去雾，去抖动，去马赛克等），这需要AI具有所谓的想像力，能脑补情节，
3.进行数据增强，根据已有数据生成更多新数据供以feed，可以减缓模型过拟合现象。
GAN的原理介绍
这里介绍的是原生的GAN算法，虽然有一些不足，但提供了一种生成对抗性的新思路。
理解GAN的两大护法G和D
G是generator，生成器：负责凭空捏造数据出来
D是discriminator，判别器：负责判断数据是不是真的
这样可以简单的看作是两个网络的博弈过程。在最原始的GAN 论文里面，G 和D都是两个多层感知机网络。首先，注意一点，GAN操作的数据不一定非得是图像数据，不过为了更方便解释，我们在这里用图像数据为例子解释以下GAN:
稍微解释下上图，z是随机噪声（就是随机生成的一些数据，也就是GAN生成图像的源头）D通过真图和假图的数据（相当于天然的label）进行一个二分类神经网络训练。G根据一串随机数就可以捏造一个“假图像”出来，用这些假图去欺骗D,D负责辨别这是真图还是假图，会给出一个score，比如G生成了一张图像，在D这里得分很高，那证明G 是很成功的；如果D能有效区分真假图，则G的效果还不太好，需要调整参数。GAN 就是这么一个博弈的过程。
那么GAN是怎么训练的呢
根据GAN的训练算法
下面有一张图
GAN 的训练在同一轮梯度反转的过程中可以细分为2步，先训练D再训练G；注意不是等所有的D训练好以后，才开始训练G,因为D的训练也需要上一轮梯度反转中G的输出值作为输入。
当训练D的时候上一轮G产生的图片，和真是的图片，直接拼接在一起，作为x，然后根据，按顺序摆放0和1，假图对应0，真图对应1.然后就可以通过，x输入生成一个score（从0到1之间），通过score和y组成的损失函数，就可以进行梯度反转了。
当训练G的时候需要把G和D当作一个整体，这个整体的输出仍然是score，输入一组随机向量，就可以在G生成一张图，通过D对生成的这张图进行打分，这就是DG系统的前向过程，score=1就是DG系统需要优化的目标，score和y=1之间的差异就可以组成损失函数，然后可以反向传播梯度，注意，这里的DG的参数是不可训练的，这样就能保证G的训练是符合D的打分标准的，这就好比：如果你参加考试，你就别指望能改变老师的评分标准，
需要注意的是整个GAN的整个过程都是无监督的
就是指 给出的真图是没有经过人工标注的，你只知道这是真实的图片，比如全是人脸，而系统里的D并不知道来的图片是什么东西，他只需要分辨真假。G也不知道自己生成的是什么东西，反正就是学真图片的样子骗D
也正是由于GAN的无监督，在生成过程中，G就会按照自己的意思天马行空生成一些诡异 的图片，可怕的是D还能给出一个很高的分数。比如，生成人脸扭曲的图片。这就是无监督目的性不强所导致的，所以在同年的NIPS大会上，有一篇论文CONDITIONAL GAN就把监督性加进去，将可控性增强，表现效果也很好。