看了几篇博文，简单记录一下GAN网络（generative adversarial nets 生成式对抗网络）
定义
GAN网络起源于博弈理论，博弈的双方分别是生成式模型（G）和判别式模型（D）
生成式模型的输入是一组服从某一分布的噪声，生成一个类似真实训练数据的样本；
判别式模型的输入就是生成式模型的输出，判别式模型的目的是判断这个生成的样本是不是来自于训练数据（概率）；
有点类似于G是用纸生成假钞，力求仿的像；而D是鉴别假钞，力求鉴别的准确
也就是：
随机输入，G生成样本；D判断是不是足够像训练样本；G根据D的判断进行学习；D根据G的输出继续判断……
最终的稳定状态就是G能生成高度模仿训练样本的样本，而D已经不能判断G的输出是否是来自训练样本了
有点类似下图
上图中黑色虚线表示真实的样本分布，绿色实线表示真实的样本分布，蓝色虚线表示判别器判别概率的分布。可以看到最终的理想情况下为d图的状态，G生成的样本的分布已经和真实的样本分布非常像，以至于D已经无法分辨了（概率为0.5）
训练
向固定G训练D，得到比较好的判别函数；然后再固定D训练G —— 毕竟有了好的判别器，才能更好的教生成器学习
先初始化D和G的参数，选取部分噪声样本。通过生成器获得对应数量的生成样本，训练判别器尽可能好的区分生成的样本和真实样本，尽可能大的区分两者
循环k次更新了D之后，使用较小的学习率再更新G的参数，训练生成器使其尽可能的减小生成样本与训练样本的差距，也即是尽可能的让D判别错误
目标函数
这个还是从基本的交叉熵损失函数演变而来的
这里pi是真实的样本分布概率，qi是生成的样本分布
二分类的问题就可以写成：
但是GAN中一个概率表示对于真实样本D的输出概率即D(x)，另一个则是生成器生成的样本即D(G(z))
对于真实样本，对应的是交叉熵中yi的部分；生成式样本对应的是交叉熵中1-yi的部分
所以有了总的训练目标：
这个就是上面的二分类交叉熵问题的期望表示（期望
）
前面的常数我们并不在乎，重要的是符号
这里的V(D,G)表示生成样本与真实样本之间的差距，D的训练目标是使差距变大更好区分；G的训练目标是使差距变小不易区分
max部分是固定G，训练D，尽可能的让差距变大；
min的部分是固定D的条件下得到生成器G，使得最小化差距
仍然是个博弈的问题
