生成對抗網路（Generative Adversarial Networks, GAN）是一種深度學習模型，是近年來複雜分佈上無監督學習最具前景的學習方法之一。

GAN 主要包括了兩個部分，即生成器 generator 與判別器 discriminator。生成器主要用來學習真實影象分佈從而讓自身生成的影象更加真實，以騙過判別器。判別器則需要對接收的圖片進行真假判別。在整個過程中，生成器努力地讓生成的影象更加真實，而判別器則努力地去識別出影象的真假，這個過程相當於一個二人博弈，隨著時間的推移，生成器和判別器在不斷地進行對抗，最終兩個網路達到了一個動態均衡：生成器生成的影象接近於真實影象分佈，而判別器識別不出真假影象，對於給定影象的預測為真的概率基本接近 0.5（相當於隨機猜測類別）。

這就是GAN的基本思想，其實並不難理解。但是，迴歸到神經網路本身，怎麼去實現這種思想才是關鍵，我認為，進一步地，我認為如何定義損失函式才是關鍵。下圖為GAN原論文中的損失函式公式：

我們來說說這個公式：

• 整個式子由兩項構成。x表示真實圖片，z表示輸入G網路的噪聲，而G(z)表示G網路生成的圖片。

• D(x)表示D網路判斷真實圖片是否真實的概率（因為x就是真實的，所以對於D來說，這個值越接近1越好）。而D(G(z))是D網路判斷G生成的圖片的是否真實的概率。

• G的目的：上面提到過，D(G(z))是D網路判斷G生成的圖片是否真實的概率，G應該希望自己生成的圖片“越接近真實越好”。也就是說，G希望D(G(z))儘可能得大，這時V(D, G)會變小。因此我們看到式子的最前面的記號是min_G。

• D的目的：D的能力越強，D(x)應該越大，D(G(x))應該越小。這時V(D,G)會變大。因此式子對於D來說是求最大(max_D)

接下來，我們通過程式碼來實際感受生成式對抗網路GAN。程式碼使用Python3.8+tensorflow2.3.1實現，資料集為mnist手寫數字識別資料集。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np 
import glob
import os

tf.__version__