GANs
GANs（Generative Adversarial Networks），生成对抗网络，由Ian Goodfellow 提出。
Yann Lecun评价“the most insteresting idea in the last 10 years in ML”。
下面以图片识别来简单解释一下GANs的博弈过程。
GANs同时训练两个网络。第一个网络记作判别器（Discriminator），对输入的图片进行判定，输出一个scala，值在（0，1）之间。趋近1表示判定为自然采集（real）的图片的可能性更大；趋近0表示第二个网络，也就是生成器（Generator），生成（fake）的可能性更大。Disciminator的目标是准确判别出哪些是real的图片，哪些是fake的图片。第二个网络，Generator，输入是一个简单的概率分布的向量（例如：100维的高斯分布的向量），输出是一张图片。Generator的目标是让Discriminator判定其为real。
上述的流程可以用下面的公式来定义：
换句话说，Discriminator目标是最大化上式。对于Discriminator来说：
1.对于real图片，使其输出的scala尽量趋近于1（第一项）
2.对于fake图片，使其输出的scala尽量趋近于0（第二项）
而对于Generator来说，目标是最小化上式：
完善自身生成的图片，试图欺骗Discriminator，使Discriminator对其生成的图片判别趋近1
整个过程就是Discriminator和Generator通过和对方博弈同时完善自身的网络结构的欺骗与反欺骗动态过程，最重要的是在这个过程中双方都能通过博弈进步。
DCGAN
DCGAN，Deep Convolutional GAN，顾名思义，使用卷积网络（此处卷积网络包括卷积和反卷积【反卷积介绍见这篇博文】两种操作）作为Generator和Discriminator的网络结构，主要用途生成图片和图片分类等。
Generator，主要操作是反卷积，用来生成图片示意图如下：
Discriminator，主要操作卷积，用来判定图片示意图如下：
DCGAN的来源的网络结构设计来自这篇论文Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks，下一篇博文会详细记录论文中网络结构，超参数设置，参数更新方式等细节，同时会重现论文的模型更新在github上。
欢迎交流~