GAN的思想

GAN是由一种生成式模型，它也是一种无监督的学习模型。GAN主要由两部分组成：生成器（Generator）和判别器（Discriminator）。
生成器：一种生成网络，负责生成数据，一开始时接收一个随机噪音
判别器：一个判别网络，判断接收的图片是不是真实的图片
GAN的主要思想来自于零和博弈的思想，GAN的博弈过程可以描述为：生成器生成数据后交给判别器判断是真实数据的可能性，可能性越大得分越高，如果判断器给出的得分低，那生成器就需要根据打分和真实数据获得的损失函数来更新权重，重新生成数据。以此循环直到判别器的打分为0.5，即判别器无法判断生成器生成的假数据。最终达到的平衡点称为纳什平衡。

GAN的优缺点

优点：
1、GAN采用了反向传播来生成模型，相较于其他的生成模型不需要复杂的马尔科夫链，而且生成的图像也非常清晰。
2、GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域。
缺点：
1、GAN要达到最优时需要达到纳什平衡，但目前还没有比较好的方法使GAN训练时到纳什平衡。
2、GAN不适用于离散型的数据
3、GAN训练不稳定，容易出现梯度消失、模块崩溃等问题。这是由于GNA在训练时通过判别器来指导生成器，即反向传播过程中生成器的损失函数是通过判别器计算得到，一旦判别器有错误判断会导致生成器继续保留这个错误，多次循环后会使得整个模型错误越来越大，导致最终生成的结果会丢失一些信息，特征不全。
参考文章：
[1]:https://blog.****.net/leviopku/article/details/81292192
[2]:https://www.jianshu.com/p/9176bb6eea97