2014年，Ian Goodfellow和他在蒙特利尔大学的同事们发表了一篇令人惊叹的论文，正式把生成对抗网络(GANs)介绍给全世界。通过把计算图和博弈论创新性的结合起来，GANs有能力让两个互相对抗的模型通过反向传播共同训练。
模型中有两个相互对抗的角色，我们分别称为G和D，简单解释如下：G是一个生成器，它试图通过学习真实数据集R，来创建逼真的假数据；D是鉴别器，从R和G处获得数据并标记差异。
Goodfellow有个很好的比喻：G是一个造假团队，试图造出跟真画一样的赝品；D是鉴定专家，试图找出真画和赝品的差异。当然在GANs的设定里，G是一群永远见不到真画的造假团队，他们能够获得的反馈只有D的鉴定意见。
在理想情况下，D和G都会随着时间的推移变得更好，直到G变成一个造假大师，最终让D无法区分出真画和赝品。实际上，Goodfellow已经表明G能够对原始数据集进行无监督学习，并且找到这些数据的低维表达方式。
这么厉害的技术，代码怎么也得一大堆吧？
并不是。使用刚刚发布的PyTorch，实际上可以只用不到50行代码，就能创建一个GAN。我们需要考虑的组件只有下面五个：
▪ R：原始的真实数据集
▪ I：作为熵源输入生成器的随机噪声
▪ G：尝试复制/模仿原始数据集的生成器
▪ D：尝试分辨G输出的鉴别器
▪ 一个训练循环：教G造假，再教D来鉴别……
1）R： 我们将从最简单的R，一个钟形曲线开始。这个函数以平均值和标准偏差为参数，然后返回一个函数。在我们的示例代码中，使用了平均值4.0和标准差1.25。
2）I： 输入生成器的噪声也是随机的，但是为了增加点难度，我们使用了一个均匀分布，而不是正态分布。这意味着模型G不能简单地通过移动/缩放复制R，而必须以非线性的方式重塑数据。
3）G： 生成器是一个标准的前馈图，包含两个隐藏层，三个线性映射。在这里，我们使用了ELU（指数线性单位）。G将从I获得均匀分布的数据样本，并以某种方式模仿来自R的正态分布样本。
4）D： 鉴别器与生成器G的代码非常相似，都是有两个隐藏层和三个线性映射的前馈图。它将从R或G获取样本，并输出介于0和1之间的单个标量，0和1分别表示“假”和“真”。
5）训练循环 最后，训练循环在两种模式之间交替：首先，用带有准确标签的真实数据和假数据来训练D；然后，训练G来愚弄D。
即使你从没用过PyTorch，也大致能看出发生了什么。在上图标为绿色的第一部分，我们将不同类型的数据输入D，并对D的猜测结果和实际的标签进行评判。这一步是“正向”的，然后我们用“反向”来计算梯度，并用它来更新d_optimizer step()调用的D参数。
上面，我们用到了G，但没有训练它。
在标为红色的下半部分中，我们对G做了同样的事情，注意：我们还会通过D来运行G的输出，相当于给了造假者一个侦探练习。但是在这一步中，我们不会对D进行优化或更改，因为我们不希望D学到错误的标签。因此，我们只调用g_optimizer.step()。
就这些啦，还有一些其他的样本代码，但是针对GAN的只有这五个组件。
对D和G进行几千轮训练之后，我们能得到什么？鉴别器D优化得很快，而G一开始优化得比较慢，不过，一旦到达了特定水平，G就开始迅速成长。
两万轮训练过后，G的输出的平均值超过4.0，但随后回到一个相当稳定，正确的范围（如左图）。同样，标准偏差最初在错误的方向下降，但随后上升到所要求的1.25范围（右图），与R相当。
所以，基本的统计最终与R相当，那么高阶矩如何呢？分布的形状是否正确？毕竟，你当然可以有一个平均值为4.0、标准差为1.25的均匀分布，但这不会真正与R相匹配。让我们看看G形成的最终分布。
还不错。左尾比右边稍微长了一点，但是我们可以说，它的偏斜和峰态符合原始的高斯函数。
G几乎完美还原了R的原始分布，而D独自在角落徘徊，无法分清真伪。这正是我们想要的结果。用不到50行的代码，就能实现。
