Deep Learning 的学习基本上是学十得一。稳扎稳打再来一次
1 背景
生成对抗网络
Since sliced bread 有史以来最酷的东西
概率密度的生成器
2 概念
GAN：由生成器G和判别器D组成，先固定G训练D，后固定D，D告知G哪些是好的特征，训练G，循环迭代到最小损失；
3 比较
3.1 针对生成器
图1 auto-encoder（自编码器）
生成器相当于自编码的左部分，如下：
图2 生成器简图
3.2 输出差异
图3 其他问题比较
GAN的输出为structured；
4 算法描述
图4 算法开头
判别器：给真数据一个很高的分，给假数据一个很低的分；
生成器：使得生成的图片判别器的分数越高越好；
Pdata(x)：真实图片集的分布，x 是一个真实图片，可以想象成一个向量，这个向量集合的分布就是 Pdata。
图5 算法简述
[max V（G,D）]就是真图像和假图像之间的距离，min[maxV（G,D）]也就达到了真图像和假图像之间的距离最小！
-