1.生成对抗网络的（GAN）的原理

GAN的思想：一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数。
就像一个草原上，狼的数量越多，羊的数量就越少，反之，如果狼被猎杀的越多，没有天敌的羊也会极速增加。这两者形成此消彼长的形式，但整个草原上生态系统的总能量是一定的，这就是二者博弈，但是总的利益是一定的。

生成对抗网路（GAN）分为两个部分：生成网络G（Generator）和判别网络D（Disciminator）
（1）生成网络G：生成器，负责生成假数据
（2）辨别网络D：辨别器，负责输入的数据真假性

在最理想的状态下：
生成网络生成的是“以假乱真”的假样本G(z)
对抗网络难以判断G(z)生成的样本是否是真实的，因此D(G(z)) = 0.5。最终得到的生成模型G来生成假样本。

2.GAN的训练思路

GAN的训练要同时训练来个网络，训练的方法是：单独交替迭代训练，即在训练生成网络的时候，固定住对抗网络，然后再去训练生成网络；在训练对抗网络的时候，固定住生成网络，然后再去训练对抗网络。这样做的目的是防止其中一个网络比另一个网络强大太多，因为如果某一个网络太强大，另一个会因能力太差而导致两个网络性能都弱化。这两者就像哲学中的矛盾一样，虽然看似是对立的，但是这两者共同作用的结果是导致事物向前发展的。
因此，两个网络并不是完全意义上的斗争，而是亦敌亦友的关系，他们不得不协同合作以达到共同的目标。在整个训练过程中，辨别器不得不教导生成器如何在生成数据上进行调整，自己同时也在学习如何做一个更好的老师。他们在对抗学习中不断变强，在理想状态下达到一个平衡----D(G(z)) = 0.5 （纳什平衡）

2.1辨别器的训练

理想状态下：给它输入一个训练集中的样本和生成器生成的样本，如果输入的是生成的假样本，辨别器就输出0，如果是真实的样本就输出1。
step1：搭建用于训练辨别器的网络模型并编译模型。
step2：为真实的样本和生成器得到的假样本打上不同的标签，该标签用于辨别器区分该样本是真实的样本还是假样本。valid为全0的（Bach_Size,1）的矩阵；fake为全1的（Bach_Size,1）的矩阵。
step3：真实样本的输入辨别器，将其输出与fake对比得到损失值
step4：生成器生成的假样本输入辨别器，将其输出与vaild对比得到损失值，最后将两者相加得到辨别器的总损失值。通过不断的训练使其总损失降低。

2.2 生成器训练

理想状态下：生成器必须努力让辨别器认为它生成的假样本，即辨别器得到假样本后输入1。
训练生成器的时候，固定辨别器的参数，首先搭建用于训练生成器的网络模型并编译模型combined。在训练生成的网络G的时候，辨别网络D的参数不发生变化，即只是把loss一直回传，传到生成网络G后更新生成网络的参数即可。

为了训练生成器，辨别器需要告诉生成器如何调整从而使它生成的样本更接近真实的。
辨别器通过反向传播辨别器输出的梯度来调整生成的样本，告诉生成器如何每个特征应调整多少来使整个样本更接近真实。同时，进一步反向传播这些样本梯度成为组成生成器的权重。

2.3 目标函数

原论文中的目标函数：
$$\underset{G}{\min }\underset{D}{\max }V(D,G)=E_{x\sim Pdata(x)}[\log (D(x))]+E_{z\sim P_z(z)}[\log (1-D(G(z)))]$$
这个式子包含了两个网络的训练过程，即先优化辨别网络D，然后再来优化生成网络G。

论文中GAN网络训练的算法：

参考帖子：
1.https://blog.csdn.net/qq_40784418/article/details/105777608

2.https://blog.csdn.net/on2way/article/details/72773771?utm_source=app&app_version=5.0.0&code=app_1562916241&uLinkId=usr1mkqgl919blen

3.https://blog.csdn.net/u014038273/article/details/78783419