原理
对抗神经网络其实是两个网络的组合，可以理解为一个网络生成模拟数据，另一个网络判断生成的数据是真实的还是模拟的。生成模拟数据的网络要不断优化自己让判别网络判断不出来，判别网络也要优化自己让自己判断得更准确。二者形成对抗，故称为对抗神经网络（GAN）。
组成
GAN由generator(生成式模型)和discriminator(判别式模型)两部分组成
generator：主要是从训练数据中产生相同分布得samples，对于输入x，类别标签y，在生成式模型中估计器联合概率分布
discriminator：判断输入是真实数据还是generator生成的数据，采用的是监督学习方法
上面两个模型结合后，经过大量次数的迭代训练会使generator尽可能模拟出以假乱真的样本，而discriminator会有更精确的鉴别真伪数据的能力，最后会达到纳什均衡，也就是discriminator对于generator的数据鉴别结果为正确率和错误率各占50%。
如下图：
生成式模型又叫生成器。他先用一个随机编码向量来输出一个模拟样本
判别式模型又叫判别器，它的输入是一个样本（可以是真实样本，也可以是模拟样本），输出一个判断该样本是样本是真样本还是模拟样本的结果
监督学习神经网络就属于discriminator，只需要学习generator。
