Generative Adversarial Nets
1. GAN究竟在做什么？
学习样本集的数据分布
A.学习数据分布有什么用？
（1） 学习到高维抽象的分布函数
（2） 模拟预测未来数据
（3） 处理缺省数据问题：如半监督学习
（4） 生产真实样本
建立模型，分析数据特征，还原数据，……
B.如何生成真实样本？
C.生成模型的一些常见方法：
D.生成模型常见方法的比较：
显式：或多或少的需要知道或者假设模型的分布；大多通过Markov chains方法
隐式：使用隐藏编码，无需假设模型，无需Markov chains，以最终生成图像的相似性作为目标
2. GAN如何做的？
思想：二人零和博弈（two-player game）
博弈双方，两个模型：
生成模型（G），判别模型（D） （分类器/网络结构）
判别模型：是一个二分类器（看作0-1二分类），用于判断样本是真是假；（分类器输入为样本，输出概率大于0.5为真，否则为假）
生成模型：是一个样本生成器，把一个噪声包装成另一个逼真的样本，使得判别器误认为是真样本；（输入为噪声，输出为样本维度相同的噪声（假样本））
3.GAN是如何训练的？
几个问题：
(1)我们有什么？
有且仅有真实训练样本集，无label
(假样本集：随机制造而来，无label)
(2)无监督训练or有监督训练？
有监督，监督信号：真1假0
(3)我们的目的是什么？
生成逼真的假样本，越真越好
精髓：假样本在训练过程中的真假变换，这也是博弈得以进行的关键之处。
原文目标函数：
算法伪代码：
原文结论
4.GAN性质小结
(1)自动的学习原始真实样本集的数据分布，无需假设额外的分布模型；
(2)自动学习潜在的损失函数，判别网络潜在学习到的损失函数隐藏在网络之中；
(3)提供无监督的学习方法，无监督学习是机器学习领域的终极目标
Problem:
(1)不收敛的问题：网络不稳定，难以训练；
(2)网络需要调才能得到较好的结果，比如交替迭代次数，对结果的影响就较大
