生成式对抗网络（Generative Adversarial Nets，GAN）

目录

论文结构

本文可分为四个部分：

1. 相关工作，主要介绍生成模型的含义、模型实现的难点和现有技术的缺陷；
2. 算法说明，介绍了算法原理，算法最优解的求解和证明；
3. 实验，记录了将GAN和其他当时已有的几个模型在多个数据集上进行实验后的结果，并对其进行分析；
4. 总结和展望，分析GAN模型的优缺点及其可拓展的方向。

背景介绍

深度学习领域可分为两个部分，一是检测识别，可用于图像分类，目标识别等，相关技术更为成熟，影响更为深远；二是图像生成，但由于其需要大量的先验知识对真实世界建模，且它在处理概率计算等方面存在困难，影响较小，可研究的空间更大。
而当时存在的模型如受限玻尔兹曼机制（RBM），深玻尔兹曼机制（DBM），深度置信网络（DBN）和生成式随机网络（GSN）等存在低效、计算困难等缺陷。
于是，2014年，Ian J.Goodfellow等人提出了一种通过对抗过程评估生成模型的新框架-GAN，首次发表于NIPS2014年的会议上（NIPS即神经信息处理系统大会，是一个关于机器学习和计算神经科学的国际会议，是机器学习领