【思想来源】
造假币的故事
造假币的故事：说有一个假币制造者G和一个货币鉴别警察D，一开始制造者G瞎搞，制作的假币太假，警察D很容易辨别真币和假币；接下来呢，G用了点心，制作的假币质量稍微好点，D偶尔鉴别不出有些假币，但是D也在不断提升自己的辨别假币的能力；随着G和D的能力的不断提升，G生成的假币在D眼里也是真滴，那么这就达到了所谓的“纳什均衡”状态，双方能力水平持平。
在机器学习领域，从一张白纸到产生一张图片的过程，可以用所谓的“生成式模型”来生成。常用的有自编码器、变分自编码器等
生成式模型
自编码器
变分自编码器
【组成】生成式对抗网络作为一种生成式模型，由两部分组成，生成器G和辨别器D，以生成假的人脸为例。生成器根据一些初始分布进行生成人脸的过程，将一半的假人脸和一半真人脸给辨别器来识别，在不断的迭代训练之后，D不能辨别是真的图片还是假的人脸
【公式推导】
【可视化的理解】
可视化理解
z：均匀分布/高斯分布；x：生成数据；z->x：生成数据的过程
黑线：真实值分布；绿线：生成数据分布；蓝线：辨别函数的输出值
••初始状态：生成数据同真实数据差距明显，容易判别；
•训练过程：对是否真实判断得到的loss引导生成模型更新，差距减少；
•最终状态：生成数据同真实数据相似，无法识别。
【衍生的生成式对抗网络】
【生成式对抗网络应用场景】
（1）图像生成、风格迁移、合成图片
（2）图像超分辨率、图像增强
（3）视频帧的预测
（4）图像还原和修复
（5）模仿学习