GAN 的基础理论：
1.GAN的基本理论
2.分离GAN——generator learn by itself
3.分离GAN——discriminator generate
正文：
1.对于GAN中的generator而言，可以简单的理解为输入一个vector(随机的一个向量),输出得到一个image(即一个高维度的vector)；而discriminator的作用是判别generator生成的图片与真实的图片，真实的图片discriminator会输出得到一个较高的分数（比如1），而generator产生的图片会得到一个比较低的分数。这个步骤其实是固定住generator，训练discriminator让他遇到真实的图片能够输出一个较高的分数，然后固定discriminator，训练generator，让generator能够“骗过”这一代的discriminator，依次循环....
2.我们来思考一下：generator可以自己训练吗？为什么非要用到discriminator呢？他当然可以自己训练。那么此时我们将会训练一个神经网络，他做什么事情呢？给定一张图，输入一个vector，我希望说输出一张图片跟我给定的图非常相似。那么我只需要去搞出一个loss function（凸函数）然后用梯度下降法降低我的loss值，最后得到最优的结果。
3.待补充....