GAN是非監督式學習的一種方法，透過讓兩個神經網路相互博弈的方式進行學習，生成對抗網絡由一個生成網絡(Generator)與一個判別網絡(Discriminator)組成，生成網絡從潛在空間中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。

GAN的組成

GAN 主要由兩個模型：Generator 和 Discriminator 組成
Generator 的目標就是當你input 的 array的時候，他能依照你的array樣態生成目標
Discriminator的目標就是當Generator生成照片時，可以透過這個網路來對生成的照片做評分或者說驗證品質。因此，這Componet 有著不同的目標，相互對抗。

https://github.com/jonbruner/generative-adversarial-networks/blob/master/gan-notebook.ipynb
在訓練的過程，Generator會不斷的想辦法騙過Discriminator，而Discriminator會努力地去判斷。所以雙方就會互相成長，就像國外最長的舉例，假鈔跟驗證假鈔，Generator 是負責做假鈔的人，Discriminator 是檢驗是否為假鈔。透過不斷的訓練，就能生成越來越像的樣本。

GAN的應用

1. 不用再花大量人力標註資料了，直接利用GAN模型生成即可，『監督式學習』就變成『非監督式學習』。
2. 風格轉換
   
   https://junyanz.github.io/CycleGAN/
3. 影像加強
   
   https://junyanz.github.io/CycleGAN/
4. 影像轉換
   
   https://junyanz.github.io/CycleGAN/
   目前GAN較多被應用在生成資料方面，如圖像與影音的生成、合成、辨識、修復等等，進階一點的則是輸入文本描述便能生成與形容相符的圖像，或者透過語言模型實現機器翻譯等。
   結論
   GAN經由小量真實資料，產生大量的訓練資料，作為非監督學習的重要訓練方法，儘管還有許多問題需要改良修正，GAN在未來依舊可能真正實現「完全不靠人類就能自主學習的AI」，其技術上的突破將會是人工智慧的發展趨勢。明天來實作一下GAN。