生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型

GAN包括两个核心模块。

1.生成器模块 --generator
2.判别器模块--desciminator

GAN通俗原理解释

为了通俗的解释GAN原理，可以类比为伪造货币的例子（这个比方纯粹为了解释）
现在有个伪造货币的任务。
你有一堆真实的货币，一个可以不断提高鉴别能力的鉴定货币真伪的设备，还有一个可以提高伪造能力的伪造货币的设备。

1.我们继续不断的强化鉴定设备的 鉴定能力，尽全力让他能将真币识别为真币，将价比识别为价币。（鉴定结果是一个0到1之间的概率。越接近0，说明鉴定结果越是假币）
2.我们让伪造设备不断的伪造假币，将假币真币混合在一起，交给鉴定设备鉴定。根据鉴定结果（概率），我们不断改善伪造设备，使伪造的假币被鉴定为真的概率持续提高。
现在形成了矛与盾的局面。一个伪造货币设备，和鉴定货币真伪设备的持续较量，两者都不断的从对抗中吸取经验、教训，提高自己。

两者不断的对抗，两者的能力都持续不断的提高，最终我们得到了一个货币鉴定专家，一个伪造货币天才，而且这个伪造货币天才，学习能力超级强。将它制造的假币和真币混在一起之后，我们这个鉴定专家，已经区分不出来，都认为是真的货币 了。
那么，现在伪造货币设备伪造的货币，在市面上就可以认为是真的了。因为，我们那个高级的鉴别设备，都已经无法区分他是否是真的，更不要说其他普通的鉴定设备了。

GAN原理总结

如上所述，GAN生成式对抗网络的原理即：在一个不断提高判断能力的判断器的持续反馈下，不断改善生成器的生成参数，直到生成器生成的结果能够通过判断器的判断。

欢迎转载，转载请注明出处。欢迎沟通交流： panfengqqs@qq.com）