GAN的基本原理其實非常簡單，這裡以生成圖檔為例進行說明。假設我們有兩個網絡，G（Generator）和D（Discriminator）。正如它的名字所暗示的那樣，它們的功能分别是：
G是一個生成圖檔的網絡，它接收一個随機的噪聲z，通過這個噪聲生成圖檔，記做G(z)。
D是一個判别網絡，判别一張圖檔是不是“真實的”。它的輸入參數是x，x代表一張圖檔，輸出D（x）代表x為真實圖檔的機率，如果為1，就代表100%是真實的圖檔，而輸出為0，就代表不可能是真實的圖檔。
在訓練過程中，生成網絡G的目标就是盡量生成真實的圖檔去欺騙判别網絡D。而D的目标就是盡量把G生成的圖檔和真實的圖檔分别開來。
在最理想的狀态下，G可以生成足以“以假亂真”的圖檔G(z)。對于D來說，它難以判定G生成的圖檔究竟是不是真實的，是以D(G(z)) = 0.5。
用随機梯度下降法訓練D和G
DCGAN（Deep Convolutional Generative Adversarial Networks）的原理和GAN是一樣的，這裡就不在贅述。它隻是把上述的G和D換成了兩個卷積神經網絡（CNN）。
https://zhuanlan.zhihu.com/p/24767059
代碼
https://github.com/carpedm20/DCGAN-tensorflow
GAN應用到一些場景上，比如圖檔風格遷移，超分辨率，圖像補全，去噪，避免了損失函數設計的困難，不管三七二十一，隻要有一個的基準，直接上判别器，剩下的就交給對抗訓練了。
GAN不适合處理文本資料
https://blog.csdn.net/qq_25737169/article/details/78857724
1、将pooling層convolutions替代，其中，在discriminator上用strided convolutions替代，在generator上用fractional-strided convolutions（即deconvolution）替代。
2、在generator和discriminator上都使用batchnorm。
解決初始化差的問題
幫助梯度傳播到每一層
防止generator把所有的樣本都收斂到同一個點。
直接将BN應用到所有層會導緻樣本震蕩和模型不穩定，通過在generator輸出層和discriminator輸入層不采用BN可以防止這種現象。
3、移除全連接配接層
global pooling增加了模型的穩定性，但傷害了收斂速度。
4、在generator的除了輸出層外的所有層使用ReLU，輸出層采用tanh。
5、在discriminator的所有層上使用LeakyReLU。
https://blog.csdn.net/stdcoutzyx/article/details/53872121
在DCGAN中，G的網絡結構是需要進行up-sample , 是以使用的“de-convolution”層，而對于D則是比較普遍的卷基層進行下采樣。
https://blog.csdn.net/u011534057/article/details/54845673