来自白话深度学习与TensorFlow
与监督学习相比，CNN在无监督学习进展较慢，论文Generating Sentences From a Continuous Space结合CNN在有监督学习的成功经验及无监督学习特点提出DCGANs，分别使用生成模型和判别模型，从物体到场景图像学习到一种层次的表征。最后，使用学习到的特征实现新任务——阐明他们可以用于生成图像的表征。
无监督学习模型用来学习表征，其结果用于监督学习。通过GAN构建表征。然后重用部分生成模型、判别模型作为有监督学习的特征提取器。
GAN研究过程中有很多成果，比如LAPGAN，拉普拉斯金字塔生成式对抗网络，它有很多优良特性，比如生成图像物体结构更清晰，物体边界更显著，而DCGAN更有鲁棒性。比如DCGAN可以把BN（Batch Normalization）批归一化用于G和D网络上而
传统GAN网络有些缺陷，比如它的评价函数不是标准的凹函数，而且不可微，所以训练时出现不能稳定向一个方向收敛（训练不稳定导致无意义的输出）。而DCGAN可以让函数平滑收敛。（可微是很重要的特性可以让评价函数或者损失函数有较好的收敛结果）
向量计算用于图像上的结果
DCGAN可以在多种数据集稳定训练，产生更高分辨率的图像。