Gan训练思想

1、两组数据， 两个网络 D(鉴别器网络） G（生成器网络） , opti_D opti_G ,
训练 鉴别器网络，
（1）real data 输入Dmodel 得到预测值计算损失， lossDr ， 预测值越大越好，
（2）Gmodel 生成的 fake data , 输入Dmodel 得到预测值计算损失 ，lossDf ， 预测值越小越好 ，Gmodel.detach（） 这里有一个梯度截断，不更新Gmodel(虽然用到了他）
更新 opti_D
目的是分开两种数据，真的就是真的，假的就是假的 看损失函数怎么写的，两者损失都要小

训练 生成器网络
（1）Gmodel 生成的 fake data , 输入Dmodel 得到预测值计算损失 ，lossDf ， 预测值越大越好
（这里和上面的区别，产生对抗, 目的是为了生成逼近真实数据的生成数据）
这里反向梯度还是从 Dmodel 预测损失传过来，
更新的时候 opti_G

对应如下代码