參考資料：
1、https://github.com/dragen1860/TensorFlow-2.x-Tutorials
2、《Adversarial Feature Learning》
本次是對閱讀BiGAN論文的一個記錄，包含我自己對於BiGAN的一些理解
因為BiGAN在程式碼實現上沒有很大的不同，甚至類似經典GAN（詳見：https://www.cnblogs.com/DAYceng/p/16365562.html），所以這裡不做介紹
參考1中有原始碼
依然是免責宣告：水平有限，有錯誤請各位指正，謝謝了
注：圖片刷不出來可能需要fq，最近jsdelivr代理好像掛了。
雙向GAN網路（BiGAN）
BiGAN相較於GAN更多的是結構上的改進，除了標準GAN框架中的生成器G，BiGAN還新增了一個編碼器E
結構
整個結構包括三部分：Encode網路（編碼器E），G網路(生成器G)，D網路（判別器D）
-
Encode網路，提取原始圖片的隱變數
-
G網路，將噪聲生成圖片
-
D網路，判斷這個資料對（原始圖片和隱變數 生成圖片和噪聲）是來自編碼器E還是生成器G
根據論文的說法：“編碼器E將資料x對映到潛在表徵z”
結合結構圖，“潛在表徵z”應該對應E（x），也就是“真實資料在對應噪聲域下的對映”
文章認為，編碼器E給出的對應編碼具有某種語義特徵，因此E（x）可以被認為是資料x的某種標籤
判別器D在判斷什麼？
這個問題剛開始想會有點奇怪，因為經典的GAN是去判別“輸入資料是不是真實資料”。
而BiGAN中不太一樣，這裡的輸入變成了資料對（【資料，資料在噪聲域下的變換】）
並且在BiGAN中，真實資料從始至終沒有直接輸入過判別器D，也就是說判別器D從來也沒見過真實資料
判別器D所學習到的真實資料的特徵都是編碼器E“告訴”它的
而編碼器E在幹什麼呢？它在學習（提取）真實資料的特徵，這些特徵有可能是更高維度的更抽象的特徵，有可能有助於刻畫原來的真實資料，有可能也沒什麼效果。但是編碼器E是不知道這些的，它只有儘可能的去提取特徵（這就是我們訓練編碼器E的過程）
並且由於我們的生成器G也會生成圖片，這些圖片也有對應的所謂特徵，因為假圖片是由隨機噪聲生成的，那麼隨機噪聲就是這些假圖片的特徵。因此，編碼器E提取的真實圖片的特徵也需要落到與隨機噪聲相同的空間域內，這樣才可以去進行判別。（計算相似度）
那麼現在可以總結一下了：
BiGAN中的判別器D在"區分"當前的輸入究竟是編碼器E給的真實資料的特徵，還是此時生成器G用來生成假圖片的隨機噪聲
編碼器E與生成器G的目的
明白了判別器D在做什麼，現在要理解一下編碼器E和生成器G在幹嘛了
我們會很自然地類比經典GAN得出結論：編碼器E和生成器G在儘可能的欺騙判別器D
為了達到這個目的，編碼器E與生成器G需要不斷接近對方的形式，對應原文中的就是：
we will both argue intuitively and formally prove that the encoder and generator must learn to invert one another in order to fool the BiGAN discriminator.
"編碼器E與生成器G需要學會互相反轉"
通俗一點解釋就是：對於編碼器E來說，雖然它真的是從真實資料中提取特徵，但在不斷訓練的過程中，它也逐漸學習到了生成器G生成圖片的特徵，所以編碼器E會故意模仿假圖片的特徵輸送給判別器D，測試判別器能否分辨出來。
這就是BiGAN的結構圖為什麼把編碼器E和生成器G的輸入輸出框在一起的原因，因為他們之間互相聯絡（是有可能互換的）