一、简介
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。
模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。
下面是使用GAN生成的可爱的人脸头像。（图片来源于：http://baijiahao.baidu.com/s?id=1568663805038898&wfr=spider&for=pc）
可以看出生成的图片相似度很高，很有趣。
二、GAN原理
GAN 主要包括了两个部分，即生成器 generator 与判别器 discriminator。生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接收的图片进行真假判别。在整个过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假，这个过程相当于一个二人博弈，随着时间的推移，生成器和判别器在不断地进行对抗，最终两个网络达到了一个动态均衡：生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近 0.5（相当于随机猜测类别）。
三、GAN的应用
1、图像生成
目前GAN最常使用的地方就是图像生成，如超分辨率任务，语义分割等等。
2、数据增强
用GAN生成的图像来做数据增强，主要解决对于小数据集，数据量不足的情况
四、GAN详解
公式和图片来源于原论文，论文地址为：https://arxiv.org/pdf/1406.2661.pdf
1、GAN最终需要优化的目标函数如下：
公式中，x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。
D(x)表示D网络判断真实图片是否真实的概率（因为x就是真实的，所以对于D来说，这个值越接近1越好）。而D(G(z))是D网络判断G生成的图片的是否真实的概率。
G的目的：D(G(z))是D网络判断G生成的图片是否真实的概率，G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))尽可能得大，这时V(D, G)会变小。因此我们看到式子的最前面的记号是min_G。
D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大，记为max_D。
2、算法流程图如下：
3、算法最终实现的结果如下图所示：
图中虚线代表真实数据的分布，这里为高斯分布，红色的线代表随机初始化的噪声。GAN的目标便是通过不断的训练D和G网络，最终使红色曲线逐渐拟合虚线，让D网络傻傻分不清楚两条线。即由图一到图四的过程。
五、关于GAN的一些论文
六、tensorflow实现过程
问题求解大概步骤：
1、定义D、G网络的结构，定义输入的shape，把每层的shape和初始化方式定义好，定义D和G两个网络的loss
2、train训练 传入两组数据，真实的数据x和随机初始化的数据z，并进行迭代优化求解
3、可视化打印输出由于篇幅原因，详细代码和注释见下一篇博文。