GAN网络入门（一）

**

从一个形象的例子讲起

**

在上图中，坏人能把普通的一张白纸制成假钞，警察可以分辨出假钞和真钞。在一轮一轮的较量中，坏人制假钞的水平不断提高，而警察面对越来越难以辨认的假钞也不得不提高自己的辨别能力。
套用GAN网络相关术语，我们可以这样来讲这个故事：生成模型（Generative Model，坏人）可以将一个输入噪音（白纸）生成和真实数据差不多的数据（假钞），判别模型（Discriminative Model，警察）能够判断出真实数据（真钱）和类真实数据（假钞）。在一轮又一轮的博弈中，生成模型（Generative Model，坏人）能够输出非常接近真实数据的数据。
GAN网络的目标是使得生成的数据和真实数据更接近。为了达到这个目标，一方面，我们要求G(x)（生成模型网络）能够学习到一组很好的模型参数，使得D(x)(判别模型网络)判别不出来真实数据和类真实数据的区别，另一方面，我们要求D(x)(判别模型网络)的判别能力很强，能够完成对数据的真实性做出很好的二分类任务。

数学解释

如上图所示，x代表真实数据，z代表噪音，G(z)代表一个输入噪音通过生成网络后的输出。一方面，我们希望判别网络