GAN及DCGAN的tensorflow实践

 原理：

       生成式对抗网络(generative adversarial network, GAN)是生成模型中的一种，可以自动学习原始图像的数据分布，而不需要提前假设原始数据属于哪种分布，只是不知道参数。GAN基于博弈论场景，由生成器网络和判别器网络构成，生成器网络用来从随机噪声数据中生成近似真实数据分布的样本，供判别器网络使用；判别器网络对真实数据和由生成器网络得到的假数据进行判别；生成器网络希望自己得到的数据可以以假乱真，使得判别器网络可以判定为真，而判别器网络希望可以准确分出真实数据，使得生成器网络得到的数据判定为假，两者博弈，不断改进自己的网络，直到判别器分不出是真实数据还是假的数据为止。结构如下图所示。 

目标函数：

      生成器G的目的是将随机噪声z生成一个和真实数据分布差不多的真实分布，参数为网络的参数，我们希望找的使得和类似。我们从真实数据分布中采样m个点: ，计算概率，则m个样本的似然函数为：

则我们的目标是找到最大化似然函数。

多减去一个常数项对结果没有影响，因此可得：

计算如下：

生成器G是给定先验