生成对抗网络
GAN （生成式对抗网络）主要包括了两个部分，即生成器generator 与判别器 discriminator。生成器用来生成图片，鉴别器来鉴别图片。它们做的事情就很像是在做演化一样。首先有一个第一代的G，生成一些很不像样的图片，第一代的D（是二分类器）鉴别它是假的；根据第一代的D，得到一个第二代的G，第二代的G生成的图片可以骗过第一代的D,得到第二代的D,然后一直如此，直到D已经无法鉴别G生成的图片和真实的图片，输出是1/2。这件事情实际是怎么做的呢？
生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接收的图片进行真假判别。在整个过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假，这个过程相当于一个二人博弈，随着时间的推移，生成器和判别器在不断地进行对抗，最终两个网络达到了一个动态均衡：生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近0.5（相当于随机猜测类别）
我们随机输入一组向量，第一代的G会生成图片，我们将生成的图片标记为0，真实的图片标记为1，作为D的输入，训练一个一代D。
固定住一代D，调整G的参数，使D得输出为1，这时我们就得到一个第二代的D。然后再重复训练一个第二代的D。
