在上一篇中我们给大家介绍了GAN的相关原理和推导，GAN是VAE的后一半，再加上一个鉴别网络。这样而导致了完全不同的训练方式。
GAN，生成对抗网络，主要有两部分构成：生成器，判别器。
生成器网络的主要工作是负责生成样本数据，输入的是高斯白噪声z，输出的是样本数据向量x：
判别器网络的主要工作是负责检测样本的数据增加，输入真实或者生成的样本数据，输出样本的标签：
由于生成器和判别器都是需要经过网络进行训练的，所以两者都要能够微分。
生成对抗网络的工作方式是让第一代的G产生一些图片，然后把这些图片和一些真实的图片丢到第一代的D里面去学习，让第一代的D能够分别生成的图像和真实的图片。在训练第二代的G，第二代的G产生的图片，能够骗过第一代的D，在训练第二代的D，依次迭代。
那么，问题就来了，如何训练新一代的G来骗过上一代的D呢？
我们可以把新一代的G和上一代的D连起来形成一个新的NN，我们训练最终的输出接近1，然后我们那中间的结果当做我们新的图片的输出。
优化函数
生成器G固定之后，使用
生成器最小化目标即为判别器将生成数据识别为假的概率的log值，对于上述提到的均衡点，它是判别代价函数的鞍点。
对于GAN的训练算法，步骤如下：
a、执行D-step的minibatch优化k次：
1.从先验分布p(z)随机生成m个随机噪声向量z
2.从数据集分布p(x)里随机获取m个样本x
3.使用随机梯度上升优化判别器的代价函数
b.执行G-step的minibatch优化1次：
1.从先验分布p(z)随机生成m个随机噪声向量z
2.使用梯度下降优化生成器的代价函数
我们可以通过下面的曲线进一步理解训练过程：
其中，绿线为生成器的数据分布，黑线为真实数据的分布，蓝线为判别器的结果分布。
GAN的问题：