DL-Pytorch Task10:GAN;DCGAN

GAN

对于生成式网络来说，给定一个dataset，我们希望生成式网络可以在这个dataset基础上生成一些新的但是又不属于原始dataset的数据。
对于分类器网络来说，给定一个分类器，我们希望分类器可以成功将生成的数据与原始的dataset数据进行区分。
由此我们构成一个GAN（Generative Adversarial Networks）生成对抗网络。

对于分类器而言，我们希望它对于两种数据能够有很好的区分，记一个生成的数据（实际为假0）被判断为dataset中数据为1，被判断不是dataset中数据为0，判断成功即输入为假（0）输出为假（0），那么我们需要最小化分类器的loss函数。
对于生成器而言，我们希望它生成的数据能够最大程度地接近于dataset中的数据，记一个生成的数据（实际为假0）被判断为dataset中数据为1，被判断不是dataset中数据为0，生成成功即输入为假（0）输出为真（1），那么我们需要最大化生成器的loss函数。
所以整个生成对抗网络像是一个分类器与生成器之间的极小极大对抗。
GAN模型最好的应用是在image上。