一、基本原理：
GAN其實本質就是由兩個網路組成，一個為我們熟知的判別網路，還有一個為生成網路；GAN的最終目標就是通過使用判別器，能夠使生成器生成我們需要的影象；
通常我們我們將生成網路簡寫為G，將辨別網路稱為D。
G主要接受一個噪音，並且生成偽造的資料，塞給D進行辨別，由D進行辨別，理想狀態下，D會成功的鑑別出來G生成的資料為假。這時，G會進行改進，進一步的將噪音偽造成真實資料的樣子，塞給D鑑別；
同時，D也會學習如何鑑別出G的造假技巧，從而能夠將G生成的假圖片甄別出來；可以看出，這就是一個動態的過程，其最終的目的是D無法鑑別出G生成的資料是真的還是假的；
二、基本原理：
GAN網路的一大特點就是可以使用噪音，學習到真實的資料分佈，從而模擬出真實資料的資料分佈；
下面是GAN的目標函式：
對於GAN網路，我們採用的是交替訓練，也就是先固定住一個網路，去訓練另一個網路；
我們先固定G訓練D，從而有：
對於這個式子，我們希望他越大越好。在理想狀態下，真實的資料辨別成1，而G生成的資料，也就是G(z)，應該辨別成0；
觀察這個式子我們可以發現，如果真實資料x或者生成資料是G(z)被分類錯一個，這個式子的最終值都會變成負無窮，所以這就可以看出有很大的優化空間去是這個式子的值最大；
接下來我們固定D訓練G，會得到以下式子：
對於這個式子，我們的目的是使其最小化。對於該式的第一項，可以在這個時候理解成一個常數項，第二項才是影響這個式子值的關鍵；
G的目的是希望D將他生成的資料錯認為是真的，所以應該有D(G(z))=1，此時第二項為負無窮，滿足式子的最小值要求；
我們所說的GAN網路可以很好的學習真實資料的分佈，所以在訓練中，如果固定網路G不動，訓練D，所以會有最優結果：
三、損失函式：
損失函式的定義可以說是GAN網路的關鍵；
對於判別器的損失函式，大多都採用如下式子定義：
對於生成網路的損失函式，有兩種形式：
第一種是採用零和博弈。零和博弈從通俗理解就是拼個你死我活，你賺了我必然虧，我虧了多少你就賺多少；此時，G的代價函式就變為：
此時，我們訓練的目的就是能夠使的生成器和判別器達到一個平衡點，也就是鞍點，使得兩者達到平衡；
但是關鍵點在於，這個方法理論上是可行，但是實踐使用很糟糕；因為當判別器訓練到一定程度，完全有把握的拒絕生成樣本時，生成器的梯度就會消失，這裡可以近似的認為生成模型和源資料你和之後，求導結果都為(1/2)'=0；
所以，就有第二博弈形式：非飽和博弈；
也就是將G的代價函式變為：
