GANs
http://www.leiphone.com/news/201702/eIGiQzuGeuAaH22e.html
2014 年，Ian Goodfellow 和他在蒙特利尔大学的同事发表了一篇震撼学界的论文。没错，我说的就是《Generative Adversarial Nets》，这标志着生成对抗网络（GAN）的诞生，而这是通过对计算图和博弈论的创新性结合。他们的研究展示，给定充分的建模能力，两个博弈模型能够通过简单的反向传播（backpropagation）来协同训练。
这两个模型的角色定位十分鲜明。给定真实数据集 R，G 是生成器（generator），它的任务是生成能以假乱真的假数据；而 D 是判别器 （discriminator），它从真实数据集或者 G 那里获取数据， 然后做出判别真假的标记。Ian Goodfellow 的比喻是，G 就像一个赝品作坊，想要让做出来的东西尽可能接近真品，蒙混过关。而 D 就是文物鉴定专家，要能区分出真品和高仿（但在这个例子中，造假者 G 看不到原始数据，而只有 D 的鉴定结果——前者是在盲干）。
理想情况下，D 和 G 都会随着不断训练，做得越来越好——直到 G 基本上成为了一个“赝品制造大师”，而 D 因无法正确区分两种数据分布输给 G。
Ian Goodfellow 展示的这项技术在本质上是：G 能够对原始数据集进行一种无监督学习，找到以更低维度的方式（lower-dimensional manner）来表示数据的某种方法。
“生成对抗网络是一种生成模型（Generative Model），其背后基本思想是从训练库里获取很多训练样本，从而学习这些训练案例生成的概率分布。
而实现的方法，是让两个网络相互竞争，‘玩一个游戏’。其中一个叫做生成器网络（ Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声（Random Noise）转变成新的样本（也就是假数据）。另一个叫做判别器网络（Discriminator Network），它可以同时观察真实和假造的数据，判断这个数据到底是不是真的。”
GAN的核心原理，如何用数学语言描述呢？这里直接摘录论文里的公式：
简单分析一下这个公式：
-
整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。
-
D(x)表示D网络判断真实图片是否真实的概率（因为x就是真实的，所以对于D来说，这个值越接近1越好）。而D(G(z))是D网络判断G生成的图片的是否真实的概率。
-
G的目的：上面提到过，D(G(z))是D网络判断G生成的图片是否真实的概率，G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))尽可能得大，这时V(D, G)会变小。因此我们看到式子的最前面的记号是min_G。
-
D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)
那么如何用随机梯度下降法训练D和G？论文中也给出了算法：
这里红框圈出的部分是我们要额外注意的。第一步我们训练D，D是希望V(G, D)越大越好，所以是加上梯度(ascending)。第二步训练G时，V(G, D)越小越好，所以是减去梯度(descending)。整个训练过程交替进行。
Goodfellow 38分钟视频亲授：如何完善生成对抗网络？（上）
http://www.leiphone.com/news/201612/eAOGpvFl60EgFSwS.html
深度：生成模型（GAN）的最新进展
http://www.leiphone.com/news/201609/gfKRIyIJXFEpmhbS.html
生成对抗网络（GANs ）为什么这么火？盘点它诞生以来的主要技术进展
http://www.leiphone.com/news/201612/Cdcb1X9tm1zsGSWD.html
GAN 很复杂？如何用不到 50 行代码训练 GAN（基于 PyTorch）
http://www.leiphone.com/news/201702/eIGiQzuGeuAaH22e.html
不到 200 行代码，教你如何用 Keras 搭建生成对抗网络（GAN）
http://www.leiphone.com/news/201703/Y5vnDSV9uIJIQzQm.html
GAN学习指南：从原理入门到制作生成Demo，总共分几步？-用DCGAN生成动漫头像
http://www.leiphone.com/news/201701/yZvIqK8VbxoYejLl.html
GAN的理解与TensorFlow的实现-info-GAN和AC-GAN实现生成手写数字
http://www.leiphone.com/news/201702/GZsIbIb9V9AUGmb6.html
独家 | GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT）
http://it.sohu.com/20161210/n475485860.shtml
