有兴趣阅读GAN鼻祖之作的给出链接： 2014年NIPS Generative Adversarial Net
GAN核心思想：生成器G与判别器D，双方博弈。
扯完皮了，下面看一下怎么样训练模型。
生成模型与对抗模型可以说是完全独立的两个模型，好比就是完全独立的两个神经网络模型，他们之间没有什么联系。那么训练这样的两个模型的大方法就是：单独交替迭代训练。
下图给出模型示意，红线以上是判别模型，红线以下是生成模型+判别模型。
第一步：（训练判别模型）
初始化生成模型，输入一堆随机数组，得到一堆假的样本集，而真样本集默认给定。制定标签：真样本集所有的类标签都为1，而假样本集的所有类标签都为0。单就判别网络来说，此时问题就变成了一个再简单不过的有监督的二分类问题了，直接送到神经网络模型中训练就完事了。这样我们就得到了具备一定判别能力的判别模型。
第二步：（训练生成模型）
生成网络的训练其实是对生成-判别网络串接的训练，就像上图中显示的那样。输入噪声数组Z，通过生成模型生成了假样本，此时很关键的一点来了，既然我们已经有了初具判断能力的判别模型，我们固定判别模型参数，将这些假样本的标签都设置为1，使得生成模型向着真样本分布去拟合。
好了，重新顺一下思路，现在对于生成网络的训练，我们有了样本集（只有假样本集，没有真样本集），有了对应的label（全为1），是不是就可以训练了？有人会问，这样只有一类样本，训练啥呀？谁说一类样本就不能训练了？只要有误差就行。还有人说，你这样一训练，判别网络的网络参数不是也跟着变吗？没错，这很关键，所以在训练这个串接的网络的时候，一个很重要的操作就是不要判别网络的参数发生变化，也就是不让它参数发生更新，只是把误差一直传，传到生成网络那块后更新生成网络的参数。这样就完成了生成网络的训练了。
重复上述两步：
完成第二步后，可以根据目前新的生成网络再对先前的那些噪声Z生成新的假样本，并且训练后的假样本应该是更真了才对。这样又可以重复上述过程了。我们把这个过程称作为单独交替训练。我们可以实现定义一个迭代次数，交替迭代到一定次数后停止即可。这个时候我们再去看一看噪声Z生成的假样本会发现，原来它已经很真了。
max过程固定G生成模型优化D判别模型，min过程反之。
GAN强大之处在于可以自动的学习原始真实样本集的数据分布（生成模型）；
GAN强大之处在于可以自动的定义潜在损失函数。（判别模型）
本文链接：http://task.lmcjl.com/news/12085.html
