GAN是生成對抗網路（Generative Adversarial Networks）的簡稱，是一種深度學習框架，用於生成具有逼真度的新資料。GAN由Ian Goodfellow在2014年提出，它的主要思想是透過訓練兩個神經網路模型：一個生成模型和一個判別模型。
生成對抗網路（GAN，Generative Adversarial Networks）是一種在人工智慧和深度學習領域的創新技術。GAN 由 Ian Goodfellow 於 2014 年提出，它是一種無監督學習方法，透過訓練兩個競爭性的神經網路來生成新的、與訓練資料相似的資料。這兩個神經網路分別是生成器（Generator）和判別器（Discriminator）。
生成器的任務是生成與真實資料相似的假資料，而判別器的任務則是判斷輸入資料是真實資料還是生成器生成的假資料。生成器和判別器在訓練過程中相互競爭，生成器試圖生成越來越逼真的假資料，以使判別器無法區分；而判別器則努力提高自己的識別能力，更好地區分真實資料和假資料。這個過程類似於捉迷藏遊戲，兩個網路不斷地互相逼迫對方進步。
經過訓練後，生成器可以生成具有高度相似性的新資料。GAN 在許多領域都有廣泛的應用，如影像生成、風格遷移、影像去噪、超解析度和文字生成等。
生成模型嘗試從隨機噪聲中生成逼真的新資料，而判別模型則嘗試將生成的資料與真實資料區分開來。這兩個模型透過對抗學習的方式進行互動訓練，生成模型不斷嘗試生成更逼真的資料，而判別模型不斷嘗試更好地區分生成的資料和真實資料，這樣生成模型的生成能力會逐漸提高，直到生成的資料逼真度足夠高。
GAN可以用於生成各種型別的資料，例如影像、音訊、影片、文字等。它已經在許多應用領域得到了廣泛的應用，例如影像修復、影像合成、影像生成、語音合成等。GAN的成功得益於它能夠自主地學習並生成具有高度逼真度的新資料，從而推動了人工智慧領域的發展。