通俗理解GAN

GAN的主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。

G：一个生成图片的网络，它接收一个随机噪声z，通过这个噪声生成图片，记做G(z)；

D：一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率。

如果为1，就带包100%是真实的图片，而输出为0，就代表不可能是真实图片。

在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D，而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈”。

理想状态下，G可以生成足以“以假乱真”的图片G(z)。对D来说，它难以判定G生成的图片究竟是不是真实的，这样我们的目的就达到了：我们得到了一个生成式的模型G，它可以用来生成图片。
对于生成器，输入需要一个n维度向量，输出为图片像素大小的图片。因而首先我们需要得到输入的向量。

对于判别器不用多说，往往是常见的判别器，输入为图片，输出为图片的真伪标签。

1.对于GAN，一个简单的理解是可以将其看做博弈的过程，我们可以将生成模型和判别模型看作博弈的双方，比如在犯罪分子造假币和警察识别假币的过程中：            

     [1]生成模型G相当于制造假币的一方，其目的是根据看到的钱币情况和警察的识别技术，去尽量生成更加真实的、警察识别不出的假币。            

     [2]判别模型D相当于识别假币的一方，其目的是尽可能的识别出犯罪分子制造的假币。 这样通过造假者和识假者双方的较量和朝目的的改进，使得最后能达到生成模型能尽可能真的钱币、识假者判断不出真假的纳什均衡效果(真假币概率都为0.5)。

与传统神经网络训练不一样的地方是训练生成器的方法不同，生成器参数的更新来自于D的反传递度。

本文大致介绍了GAN的整体情况。但是对于GAN实际上还有更多更完善的理论相关描述，进一步了解可以看相关的论文。并且在GAN一开始提出来的时候，实际上针对于不同的情况也有存在着一些不足，后面也陆续提出了不同的GAN的变体来完善GAN。