Generative Adversarial Network(GAN)生成式对抗网络
Yann LeCun said," Adversarial training is the coolest thing since sliced bread"
since sliced bread 有史以来
GAN由两部分组成，一部分是Generator, 另一部分是Discriminator
G: 随便给一个任意分布的噪声，高斯分布，均匀分布都可以，组成一个vector，经过Generator就会生成一副图片
D: 图片进来，可能是从数据集拿的图片real，那它的scalar就应该是1
可能是G生成的图片fake,那它的scalar就是0~1，当然我们希望假的都是0，这个时候就要进行不断的迭代。
Generator和Discriminator互相为彼此提供一些条件，可以让他们自身更好。
就像猫抓老鼠，老鼠会跑的很快，猫在追的过程中也会练的越来越快，老鼠发现猫要追上他了，开始学会越障，猫为了抓老鼠，也学越障。互相督促，互相完美。
第一步：
固定生成器Generator_V1参数，生成图片都打标签为0，数据集的图片标签都是1，送入监视器，更新监视器Discriminator_V1参数。
第二步：
固定监视器Discriminator_V1参数，Discriminator_V1已经知道Generator_V1生成的都是假的了，Generator_V1就要做出调整，调整的方向就是让Discriminator_V1觉得是真，scalar为1。更新生成器，得到Generator_V2版本，此时Discriminator_V1觉得这是真的了，但是实际上不是这样啊，所以反复第一步，生成Discriminator_V2
每一次生成器都能骗过上一个版本的监视器，监视器做出调整，判断出生成器生成的图片和真的图片区别
直到监视器已经判断不出来了，或者我们认为在某个范围内，已经算是真的了
这个指的是batchsize]
代码去github上随便找，一堆一堆的
bottom up: 从部分到整体，先找到你需要东西的组成，拼在一起
top down: 从整体开始找
来源：https://blog.csdn.net/m0_37731956/article/details/102468126