GANs
GANs（Generative Adversarial Networks），生成對抗網絡，由Ian Goodfellow 提出。
Yann Lecun評價“the most insteresting idea in the last 10 years in ML”。
下面以圖檔識别來簡單解釋一下GANs的博弈過程。
GANs同時訓練兩個網絡。第一個網絡記作判别器（Discriminator），對輸入的圖檔進行判定，輸出一個scala，值在（0，1）之間。趨近1表示判定為自然采集（real）的圖檔的可能性更大；趨近0表示第二個網絡，也就是生成器（Generator），生成（fake）的可能性更大。Disciminator的目标是準确判别出哪些是real的圖檔，哪些是fake的圖檔。第二個網絡，Generator，輸入是一個簡單的機率分布的向量（例如：100維的高斯分布的向量），輸出是一張圖檔。Generator的目标是讓Discriminator判定其為real。
上述的流程可以用下面的公式來定義：
換句話說，Discriminator目标是最大化上式。對于Discriminator來說：
1.對于real圖檔，使其輸出的scala盡量趨近于1（第一項）
2.對于fake圖檔，使其輸出的scala盡量趨近于0（第二項）
而對于Generator來說，目标是最小化上式：
完善自身生成的圖檔，試圖欺騙Discriminator，使Discriminator對其生成的圖檔判别趨近1
整個過程就是Discriminator和Generator通過和對方博弈同時完善自身的網絡結構的欺騙與反欺騙動态過程，最重要的是在這個過程中雙方都能通過博弈進步。
DCGAN
DCGAN，Deep Convolutional GAN，顧名思義，使用卷積網絡（此處卷積網絡包括卷積和反卷積【反卷積介紹見這篇博文】兩種操作）作為Generator和Discriminator的網絡結構，主要用途生成圖檔和圖檔分類等。
Generator，主要操作是反卷積，用來生成圖檔示意圖如下：
Discriminator，主要操作卷積，用來判定圖檔示意圖如下：
DCGAN的來源的網絡結構設計來自這篇論文Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks，下一篇博文會詳細記錄論文中網絡結構，超參數設定，參數更新方式等細節，同時會重制論文的模型更新在github上。
歡迎交流~