生成对抗网络与2014年被提出，一经提出便引发了深度学习的又一次小高潮，属于无监督学习，本篇博客主要介绍GAN网络的结构以及训练过程！
对抗样本即对抗网络的发展大家可以参考GANs学习系列(4):对抗样本和对抗网络，有助于建立一个对对抗样本的系统认知！
1、生成对抗网络（GAN）的结构
GAN网络主要由两个网络构成，生成网络G和辨别网络D，生成模型G的思想是将一个噪声包装成一个逼真的样本，判别模型D则需要判断送入的样本是真实的还是假的样本，即共同进步的过程，辨别模型D对样本的判别能力不断上升，生成模型G的造假能力也不断上升！
需要注意的是，生成模型G的输入是服从-1~1均匀分布的随机变量，输出为一张图片（或者其他，这里我们需要图片而已），因此，生成网络的结构是一个反卷积网络，即对应CNN中的可视化操作，由随机变量生成图片的过程！
2、生成对抗网络（GAN）的训练
生成网络G的分布参考：生成对抗网络的tensorflow实现，接下来我们来看一下如何训练这两个网络！
因为是2个网络，不好一起训练，所以怎样训练这两个模型呢？方法就是：
单独交替迭代训练。
即在训练一个网络的时候，固定住一个网络，然后去训练另一个网络；训练另一个网络的时候，固定住一个网络！
假设现在生成网络已经存在了，给一堆随机数组，就会得到一堆假的样本集，针对判别网络D，结合真样本集和假的样本集同时对D进行训练，可以使D对于真假样本的判别能力得到提高！
针对生成网络呢？我们的目的是即可能的生成尽可能逼真的样本，原始的生成网络只负责生成对抗样本，然而它的效果好不好则需要判别网络进行判别，因此，在训练生成网络G的时候后面需要跟上一个判别网络D进行训练，需要注意的是：在训练生成网络G的时候，判别网络D的参数不发生变化，即只是把loss一直回传，传到生成网络G后更新生成网络的参数即可！
我们来看看GAN网络的额loss函数，下面是原始论文中给出来的目标公式：
这个公式包含了两个网络的训练过程，即先优化辨别网络D，然后再来优化生成网络G，仔细想想，我们要生成很好地对抗样本，如何证明我们生成很棒的对抗样本呢？即能够非常好的愚弄一个已经能够对样本进行很好区分的辨别网络D，这样才可定义为对抗样本是比较逼真的，这样就很容易确定优化顺序了，即先要有一个训练的好的辨别网络D，由于辨别网络D和生成网络G是同时训练的，因此，因此我们先训练辨别网络D，然后在训练生成网络G,即两个优化问题，现在我们将该公式进行拆解：
1）优化辨别网络D：
（分析：因为D(x)或者D(G(z))的取值范围仅仅只是0~1，分析一下这个函数，可以发现，为了是这个函数值最大，D(x)应该尽可能趋向于1，而D(G(z))应该尽可能趋向于0，这样的话，可以很好地训练我们的辨别网络D）优化辨别网络的时候，我们需要对真样本的预测结果越大越好，对于伪样本的的预测结果越小越好，即log(D(x)和1-log(1-D(G(z)))，包含智能使其尽可能大，然后进行训练。
2）优化生成网络G：
训练生成网络G的时候，与真样本无关，因此可以去掉第一项，我们的目标是最大化D(G(z))，为了统一格式，所以写成了最小化log(1-D(G(z))，将两个优化模型合并起来写，就变成了原始的那个最大最小目标函数了！
下面是论文中给出的训练GAN网络的算法：
（ps:不过需要注意的是，实际中在定义loss函数的时候，1）训练辨别网络D的时候，由于需要最大化对应的值，在实际中我们使用梯度下降算法，因此，我们将其转化为负数，即可以利用梯度下降算法减小loss值即可；2）训练生成网络的时候，我们需要最小化对应的值，因此，我们采用小trick，即将1-D(G(z))转化为D(G(z))并给对应的外部值乘上负号，便于计算，而且还能避免在log(1-D(G(z))饱和时出现的相应问题，方便操作！具体参考参考文献中第6条！）
参考：
1、对抗生成网络（Generative Adversarial Net)
2、生成对抗网络GANs理解（附代码）
3、简述生成式对抗网络
4、最简单易懂的GAN（生成对抗网络）教程：从理论到实践（附代码）
5、不要怂，就是GAN (生成式对抗网络) （一）： GAN 简介
6、Generative Adversarial Nets论文笔记+代码解析