生成对抗网络是一种基于可微生成器的生成式建模方法。
生成对抗网络基于博弈模型，其中生成器网络（generator network）必须与其对手判别器（discriminator）竞争。生成器直接生成样本 x = g(z ; θ(g)) 。其对手，判别器网络会尝试区分生成器生成的样本和训练数据中抽取的样本。生成器由 d(x ; θ(g)) 生成一个概率值来判别样本 x 是从训练数据中抽取的样本还是由生成器生成的 ‘赝品’ 。
生成对抗网络是一种生成模型，GANs的结构和我们之前见到的神经网络略为不同。大体上来说，GANs有生成器Generator和辨别器Discriminator组成，基本的结构图如下：
GANs结构示意图
工作原理
我们通常使用两个优化算法来训练GANs。判别器是一个普通的神经网络分类器，训练的过程中，我们使用辨别器 (discriminator) 学习引导生成器。
判别器：
在训练的过程中，我们向辨别器discriminator输入的数据一半来自于真实的训练数据，另一半来自于生成器生成的假图像。在训练的过程中，对于真实数据，判别器尝试向其分配一个接近1的概率（为更好泛化，一般会使用smooth参数将labels设为略小于1的值，如0.9）；而对于生成器生成的‘赝品’，判别器尝试向其分配一个接近0的概率。也就是说，对于真实数据，我们使用label=1计算代价函数来训练判别器，其代价函数的计算方法为：
d_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_real, labels=tf.ones_like(d_logits_real) * (1 - smooth)))
对于生成器，我们使用label=0计算代价函数来训练判别器，其代价函数的计算方法为：
d_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake, labels=tf.zeros_like(d_logits_fake)))
所以判别器的代价函数为：d_loss = d_loss_real + d_loss_fake
生成器：
与此同时，生成器尝试做相反的事情，它经训练尝试输出能使辨别器分配接近概率1的样本。生成器的代价函数为
g_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake, labels=tf.ones_like(d_logits_fake)))
随着以上训练的进行，判别器‘被迫’增强自身的判别能力，而生成器‘被迫’生成越来越逼真的输出，以欺骗判别器。理论上，最终生成器和判别器会达到一种均衡“纳什均衡”。
Discriminator和Generator损失计算
GANs和很多其他模型不同，GANs在训练时需要同时运行两个优化算法，我们需要为discriminator和generator分别定义一个优化器，一个用来来最小化discriminator的损失，另一个用来最小化generator的损失。即loss = d_loss + g_loss
d_loss计算方法：
对于辨别器discriminator，其损失等于真实图片和生成图片的损失之和，即 d_loss = d_loss_real + d_loss_fake , losses 均由交叉熵计算而得。在 tensorflow 中可使用以下函数：
tf.nn.sigmoid_cross_entropy_with_logits(logits=logits, labels=labels)
在计算真实数据产生的损失d_loss_real时，我们希望辨别器discriminator输出1；而在计算生成器生成的 ‘假’ 数据所产生的损失d_loss_fake时，我们希望discriminator输出0.
因此，对于真实数据，在计算其损失时，将上式中的labels全部都设为1，因为它们都是真实的。为了是增强辨别器discriminator的泛化能力，可以将labels设为0.9，而不是1.0。
对于生成器生成的‘假’数据，在计算其损失d_loss_fake时，将上式中的labels全部设为0。
g_loss计算方法：
最后，生成器generator的损失用 '假' 数据的logits（即d_logits_fake），但是，现在所有的labels全部设为1（即我们希望生成器generator输出1）。这样，通过训练，生成器generator试图 ‘骗过’ 辨别器discriminator。
实例
一个使用GANs的来生成MNIST数据的代码示例。