生成對抗網絡(Generative adversarial nets,GAN)是Goodfellow等人在2014年提出的一種生成式模型。
GAN是由一個生成器和一個判别器構成。生成器捕捉真實資料樣本的潛在分布，并由潛在分布生成新的資料樣本；判别器是一個二分類器，判别輸入是真實資料還是生成的樣本。
其優化過程類似于極小極大遊戲，通過反向傳播算法，最終目标可實作納什均衡，即生成器完全獲得真實資料樣本的分布。
生成式對抗網絡是一種深度學習模型，是近年來複雜分布上無監督學習最具前景的方法之一。模型通過架構中（至少）兩個子產品：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈學習産生相當好的輸出。原始 GAN 理論中，并不要求 G 和 D 都是神經網絡，隻需要是能拟合相應生成和判别的函數即可。但實用中一般均使用深度神經網絡作為 G 和 D 。一個優秀的GAN應用需要有良好的訓練方法，否則可能由于神經網絡模型的自由性而導緻輸出不理想。--百度百科
根據The-gan-zoo資料顯示，截至2018年9月GAN衍生模型已經到達502種。
接下來是台灣大學李弘毅老師關于GAN的PPT講解：
兩個機率分布，一個是真實的樣本資料分布，另一個是生成模型的資料分布，通過極大似然估計求生成模型的參數，也就是說參數使生成模型的分布很像真實資料的分布。
利用極大似然估計方法，求生成模型機率分布與真實資料機率分布的相近程度L，我們希望L越大越好。
由此，我們定義生成模型G，G生成的資料分布與真實資料的分布的差距Div(x)越小越好。
定義一個判别模型D，近似生成的資料分布與真實資料的分布的差距Div(x)，我們想到JS散度可以度量兩個分布之間的差距，故将D帶入V(G,D)。
V(G,D)是關于D衡量兩個分布的JS散度公式的變體，我們推斷V(G,D)越大，D越好，也就是越能區分真假資料。具體而言，真實資料使D(x)=1，生成資料使D(x)=0。
那怎麼使V(G,D)最大呢？通過給定G,x我們可以計算出來D。
将D帶入V(G,D)，可以推出JS散度公式。
我們知道，G生成的資料分布與真實資料的分布的差距MaxV(G,D)越小越好，下一步就是怎麼更新G使MaxV(G,D)最小？
答案就是通過反向傳播更新G的參數。
最後就是算法。
更新一次G的原因如下，G更新會導緻V(G,D)更新，D=MaxV(G,D)會發生變化，如果還是使用固定的D來判别G會有誤差。一次使用可以，多次使用不行。