计算机视觉(CV)-生成模型：GAN（Generative Adversarial Network对抗生成网络）【Generator(RNN/CNN)+Discriminator(CNN)】【单调】

一、GAN概述

生成对抗网络（英语：Generative Adversarial Network，简称GAN）是生成模型的一种，生成模型就是用机器学习去生成我们想要的数据，正规的说法是，获取训练样本并训练一个模型，该模型能按照我们定义的目标数据分布去生成数据。

• 生成对抗网络（英语：Generative Adversarial Network，简称GAN）是通过让两个神经网络（【生成器】与【判别器】）相互博弈的方式进行学习。
• 生成对抗网络由一个【生成器】与一个【判别器】组成。
• 【生成器】从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。
• 【判别器】的输入则为真实样本或生成网络的输出，其目的是将【生成器】的输出从真实样本中尽可能分辨出来。而【生成器】则要尽可能地欺骗【判别器】。
• 两个网络相互对抗、不断调整参数，最终目的是使【判别器】无法判断【生成器】的输出结果是否真实。
  

1、GAN基本思想

GAN 的核心思想源于博弈论的纳什均衡。

• 设定参与游戏的双方分别为一个生成器(Generator)和一个判别器(Discriminator),
• 生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本;
• 判别器是一个二分类器, 判别输入是真实数据还是生成的样本。
• 为了取得游戏胜利, 这两个游戏参与者需要不断优