生成式对抗网络（generative adversarial network，GAN）是由谷歌公司在 2014 年提出的一个网络模型，主要灵感来自于二人博弈中的零和博弈，也是目前最火热的非监督深度学习的代表。“GAN 之父”Ian J. Goodfellow 也被公认为人工智能的顶级专家。

Yann Lecun 在 Quora 上答题时曾说，他最激动的深度学习进展是生成式对抗网络

比酱料 B 早放, 不然就串味了. 所以普通的神经网络结构并不能让 NN 了解这些数据之间的关联.

生成式对抗网络的原理

生成式对抗网络包含一个生成模型（generative model，G）和一个判别模型（discriminative model，D）

生成式对抗网络的网络结构如

生成式对抗网络主要解决的问题是如何从训练样本中学习出新样本。

生成模型就是负责训练出样本的分布，如果训练样本是图片就生成相似的图片，如果训练样本是文章句子就生成相似的文章句子。

判别模型是一个二分类器，用来判断输入样本是真实数据还是训练生成的样本

生成式对抗网络的优化是一个二元极小极大博弈（minimax two-player game）问题，

目的是使生成模型的输出再输入给判别模型时，判别模型很难判断是真实数据还是虚假数据。

训练好的生成模型，有能力把一个噪声向量转化成和训练集类似的样本。

生成式对抗网络的模型

辅助分类器生成式对抗网络（auxiliaryclassifier GAN，AC-GAN）

生成式对抗网络取得的成果有很多，目前在生成数字和生成人脸图像方面表现都非常好，目前也是深度学习研究的一个重要思路。

图给出的是训练好的生成式对抗网络的生成模型产生出来的一些样本

前沿研究

1.预测视频中的下一帧：在视频序列上训练GAN，并预测下一步会发生什么

2. 增加图像分辨率：从较低分辨率照片生成高分辨率照片

3. 交互式图像生成：绘制简单的笔画，让GAN为你画出令人印象深刻的图画

4. 图像翻译：从一个图像生成另一个图像。例如，左边给出了带标签的街景，你可以用GAN生成真实的照片。在右边，给出简单的手提包绘画草稿，你会得到真正的手提包。

5. 文本到图像生成：只需向GAN说你想看到什么，就可以获得一个所描述物体的真实照片