如何简单生成生成对抗网络 ？

近年来，在人工智能领域深度学习取得了令人瞩目的成就，在计算机视觉、自然语言处理等各种领域都取得了突破性的进展。深度学习现今主要是依靠神经网络模型来进行学习的，可大致分为三种基础模型，首先的就是卷积神经网络（Convolutional Neural Networks, CNNs，1998）、循环神经网络（RecurrentNeural Networks, RNNs，2014）、和生成对抗网络（Generative Adversarial Nets, GANs，2014）等。

但由于传统的深度学习方法需要大量的数据，并且需要大量的先验知识。鉴于此问题，Ian Goodfellow所提出的生成式对抗网络GAN逐步受到广大学者的关注。生成对抗网络(GAN)的初始原理十分容易理解，即构造两个神经网络，一个生成器，一个鉴别器，二者互相竞争训练，最后达到一种平衡(纳什平衡)。GAN 启发自博弈论中的二人零和博弈（two-player game），GAN 模型中的两位博弈方分别由生成式模型（generativemodel，G）和判别式模型（discriminative model，D）充当。

生成模型 G 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好；判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D 输出大概率，否则，D 输出小概率。采用对抗训练机制进行训练，并使用优化器（如随机梯度下降