一、生成式网络
特点，同时输入ｘ和ｚ得出ｙ。
ｘ是条件。
由一种简单的分布到另外一种复杂的分布的网络。
依据给定简单分布（可以是正态分布）的不同得到多种不同的输出。
分为unconditional GAN和conditional GAN。
二、GAN
在GAN中，除了生成器之外，我们还要多训练一个东西。
discriminator判别器，也是个NN。
将生成结果输入，得到一个标量，标识着我们结果的好坏。、
（标量越大代表越像）
就是将我们的结果进行判别。
gan的原理：
步骤：
- 生成器G、判别器D都初始化参数。
- 固定G，更新D。
2.1 随机样本输入G，得到输出。
2.2 选取正确的样本，和G的输出进行比较。
2.3 D去学习分辨正确的和误差的。
- 固定D，更新G
3.1 随机样本输入G，得到输出。
3.2 将输出给予D，由此得到评分。（我们希望越大越好）
- 重复上述步骤
三、GAN理论
我们的目的：
也就是：
当然我们不知道生成分布和数据分布长什么样？差异如何度量？
但是我们可以获得样本：
我们只需要通过样本的差异就可以衡量分布的差异。
这是通过GAN的判别器所实现的。
我们的判别器看见来自生成的样本就给低分，来自数据的样本就给高分。
GAN比较难训练。
四、GAN训练技巧
- 这张图片中的x改成y，代表一张图片。D必须是一个足够平滑的分布。
训练过程中如果有一方不发生变化，那么会导致整体的停止。
五、GAN评估
盲点
六、条件生成Conditional Generator
七、GAN+Unsupervised Learning
