https://blog.csdn.net/choushi5845/article/details/100747118
https://blog.csdn.net/LEE18254290736/article/details/97371930
1、生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。
2、模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
3、判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近1，输入的是假样本，网络输出接近0，那么很完美，达到了很好判别的目的。
4、生成网络的目的：生成网络是造样本的，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，你判别网络没法判断我是真样本还是假样本。
因此辨别网络的作用就是对噪音生成的数据辨别他为假的，对真实的数据辨别他为真的。
而生成网络的损失函数就是使得对于噪音数据，经过辨别网络之后的辨别结果是真的，这样就能达到生成真实图像的目的。
GAN 的发展路线图
我们将按照下面的顺序，一步一步学习它：
- GAN：生成对抗网络
- DCGAN：深度卷积生成对抗网络
- CGAN：条件生成对抗网络
- CycleGAN
- CoGAN：耦合生成对抗网络
- ProGAN：生成对抗网络的渐进式增长
- WGAN：Wasserstein 生成对抗网络
- SAGAN：自注意力生成对抗网络
- BigGAN：大生成对抗性网络
- StyleGAN：基于风格的生成对抗网络