生成式对抗网络GAN

1. 相比较传统的模型，GAN存在两个不同的网络，而不是单一的网络，并且训练方式采用的是对抗训练方式。

2. GAN中G的梯度更新信息来自判别器D，而不是来自数据样本。

优点

1. GAN是一种生成式模型，相比较其他生成模型（玻尔兹曼机和GSNs）只用到了反向传播，而不需要复杂的马尔科夫链。

2. 相比其他所有模型，GAN可以产生更加清晰，真实的样本。

3. GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域。

4. 相比于变分自编码器，GAN没有引入任何决定性偏置( deterministic bias)，变分方法引入决定性偏置，因为他们优化对数似然的下界，而不是似然度本身，这看起来导致了VAEs生成的实例比GANs更模糊。

5. 相比VAE， GANs没有变分下界,如果鉴别器训练良好，那么生成器可以完美的学习到训练样本的分布。换句话说，GANs是渐进一致的，但VAE是偏差的。

6. GAN应用到一些场景上，比如图片风格迁移，超分辨率，图像补全，去噪，避免了损失函数设计的困难，不管三七二十一，只要有一个的基准，直接上判别器，剩下的就交给对抗训练了。

缺点

1. 训练GAN需要达到纳什均衡，需要找到很好的达到纳什均衡的方法。

2. GAN不适合处理离散形式的数据，比如文本。

（纳什均衡：任何一位玩家在此策略组合下单方面改变自己的策略都不会提高自身的收益。）