从14年开始到现在两年多的时间里，GAN（Generative Adversarial Network，对抗生成网络）在机器学习、人工智能领域最具瞩目和创新性的研究成果之一。近些天，仔细看了多篇机器学习领域的论文和研究，更进一步加深了对GAN的敬佩之情。特地将自己的一些理解和看法记录下来，以飨读者，共勉。废话不多说，从GAN的兴起开始介绍吧。
GAN的思想
GAN最早于2014年底有Goodfellow大神提出。Ian Goodfellow 是世界上最重要的 AI 研究者之一，他在 OpenAI（谷歌大脑的竞争对手，由 Elon Must 和 Sam Altman 创立）工作过不长的一段时间（2015年底-2016年底），2017年3月重返 Google Brain， 加入Google Brain，他们建立了一个探索“生成模型”（generative models）的新研究团队。
我们在理解GAN时，首先要明白对抗生成网络拆开来是两个东西：一个是判别模型（Discremator，简称D模型），一个是生成模型（Generator，简称G模型）。
说一个具体点的例子：两个人比赛，看是 A 的矛厉害，还是 B 的盾厉害。在GAN模型中，我们会拿一些真实数据，同时混合上乱七八糟的虚构数据。A 拼命地把随手拿过来的假数据模仿成真实数据，并揉进真实数据里。B 则拼命地想把真实数据和假数据区分开。这里，A 就是一个生成模型，类似于卖假货的，一个劲儿地学习如何骗过 B。而 B 则是一个判别模型，类似于警察叔叔，一个劲儿地学习如何分辨出 A 的骗人技巧。如此这般，随着 B 的鉴别技巧的越来越牛，A 的骗人技巧也是越来越纯熟。一个造假一流的 A，就是我们想要的生成模型！这个基本的对抗思想就是GAN的精髓了。
GAN的困难
看似简单的GAN模型，在实际使用时却会遇到非常多的困难。最大的一个就是GAN的不收敛问题，如果大家有试验过GAN可能会知道，GAN的收敛是很困难的。往往就是需要设置很多的参数，比如学习率，比如说你的网络结构，你去很好的去提出G和D的能力，才能使得它最终达到收敛。最主要的原因来源于两部分。
第一、就是梯度消失的问题。当你优化的时候，对于公式里我们的生成器、判别器的损失函数会存在梯度消失的问题，那么我们需要设计一些更好的损失函数，使得梯度消失问题得到解决。
第二、就是模式发现问题。我们的生成器可能生成同样的数据而不是多样的数据。例如猫，它可能生成的都是黑猫、或者生成MNIST的数据全都是零。那么这个问题主要原因是来源于，因为我们的梯度下降实际上不区分min-max和max-min。那么会导致我们的生成器会希望多生成一些重复但是很安全的样本。比如说我生了一些黑猫或生成一些0，甚至可能到这样一个情况就是它生成的接真实的就完全一样，但它只适合这样一个情况。那么这是我们不希望，我们希望生成器会生成多样样本，尽量与真实样本多样化一致。
GAN的推动
不过从一提出开始，GAN网络就收到越来越多人的追捧和崇拜。其改进方法大概少说也有100种了，[Github](https://github.com/hindupuravinash/the-gan-zoo上已有列出。
