对抗生成网络属于深度学习的一部分。

Generative Model 生产模型

1.作用

从细节上来看，生成模型可以做一些无中生有的事情，比如图片高清化，智能填充（图片被遮住一部分，修复完整），使用轮廓渲染栩栩如生的图片等

2.发展限制

在最大似然估计及相关策略上，很多概率计算的模拟非常困难

将piecewise linear units（线性分段单元）用在生成模型上比较困难

假设有一种概率分布M，它相当于我们是一个黑盒子，为了了解这个黑盒子中的东西是什么，我们构建了两个东西G和D，G是另一种我们完全知道的概率分布，D是用来区分一个事件是由黑盒子产生的还是由我们自己设的G产生的。

不断的调整G和D，直到D不能把事件区分出来为止。在调整的过程中，我们需要：

1. 优化G，使它尽可能的让D混淆
2. 优化D，使它尽可能的区分出假冒的东西

当D无法区分出事件的来源的时候，可以认为，G和M是一样的。从而我们就得到了黑盒子里面的东西

python代码实现

GAN 主要由两个部分构成：generator 和 discriminator

1. generator 主要作用是从训练数据中产生相同分布的samples
2. discriminator 则还是采用传统的监督学习的方法

最终达到数学层面上的纳什均衡，全局最优