生成对抗网络(GAN)是一种算法架构，它使用两个神经网络并将神经网络相互对抗，以生成可以传递给真实数据的新的合成数据实例。生成对抗网络(GAN)广泛用于图像生成、视频生成和语音生成。
GAN工作原理
生成对抗网络(GAN)通过生成器的神经网络模型生成新的数据，而由鉴别器的神经网络模型评估这些数据的真实性。循环这一步骤，直至算法认为生成的数据达到标准。
使用生成对抗网络(GAN)创建新的合成图像，生成器会接受随机数并返回图像。生成的图像与从实际的真实数据集中获取的图像流一起被送到鉴别器中。鉴别器同时接收真假图像并返回数值，一个介于0和1之间的数字，其中1代表真实，0代表假的。
训练GAN的技巧
当训练鉴别器时，保持生成器的值不变；当训练生成器时，保持鉴别器不变。出于同样的原因，在开始训练生成器之前，针对预训练，判别器将建立更清晰的优化方向。
尽量不要让GAN的鉴别器或生成器可以压倒对方。如果鉴别器太好了，它将返回非常接近0或1的值，以至于生成器将难以找到有利的优化方向。如果生成器太好了，它将持续利用鉴别器的弱点，从而导致算法一直误报。因此，想要训练出一个强大的GAN模型，鉴别器和生成器这两个神经网络必须具有相似的“能力水平”。
总而言之，成熟的GAN模型需要很长时间来训练。
