概述
生成对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型架构，由生成器（Generator）和判别器（Discriminator）两部分组成，旨在通过对抗训练的方式生成逼真的数据样本。
GAN 的基本思想是让生成器和判别器相互竞争、不断优化，以达到生成高质量数据的目的。生成器的任务是生成尽可能逼真的数据样本，而判别器的任务是区分真实数据和生成器生成的假数据。
通俗的讲，就是让生成器生成的数据更真，真到能把判别器“骗”过去。生成器和判别器两者不断对抗、不断进步，从而使得最后生成的结果更加逼真。
步骤
-
生成器训练：
生成器接收一个随机噪声向量作为输入，并生成一个与真实数据类似的数据样本。
生成器生成的假数据样本被送入判别器和真实数据一起进行训练，目标是让判别器无法区分真实数据和生成的假数据。 -
判别器训练：
判别器接收真实数据和生成器生成的假数据，学习区分两者。
判别器的目标是最大化正确地区分真实数据和生成的假数据，从而提高识别能力。 -
对抗训练：
在训练过程中，生成器和判别器相互竞争、对抗地优化自己的参数。
生成器希望生成的假数据足够逼真，以欺骗判别器；而判别器则希望能够准确地区分真假数据。
这种对抗训练过程推动了生成器生成更逼真的数据样本，同时也促使判别器不断提高识别真假数据的能力。
GAN 的训练过程具有挑战性，需要平衡生成器和判别器的训练，避免出现训练不稳定或模式崩溃等问题。然而，当训练成功时，GAN 能够生成高质量、多样性的数据样本，被广泛应用于图像生成、文本生成、视频生成等领域。
