“如果人工智能是一块蛋糕，那么强化学习是蛋糕上的一粒樱桃，监督学习是外面的一层糖霜，无监督/预测学习则是蛋糕胚。目前我们只知道如何制作糖霜和樱桃，却不知如何制作蛋糕胚。” -- Yann LeCun(Facebook人工智能研究院)
我个人认为，Gan是深度学习算法中最牛的武器之一，下面我尽可能用通俗的文字，来表达出这个神奇的算法；
1. 什么是Gan
Gan其实就是使劲的PK;
打个比方：两个人比赛，看是 A 的矛厉害，还是 B 的盾厉害。
我们有一些真实数据，同时也有一把乱七八糟的假数据。
A 拼命地把随手拿过来的假数据模仿成真实数据，并揉进真实数据里。
B 则拼命地想把真实数据和假数据区分开。
这里，A 就是一个生成模型，类似于卖假货的，一个劲儿地学习如何骗过 B。
而 B 则是一个判别模型，类似于警察叔叔，一个劲儿地学习如何分辨出 A 的骗人技巧。
如此这般，随着 B 的鉴别技巧的越来越牛，A 的骗人技巧也是越来越纯熟。
一个造假一流的 A，就是我们想要的生成模型！
这里会用到最小最大博弈（minimax game）：两个人的零和博弈，一个想最大，另一个想最小。那么，我们要找的均衡点（也就是纳什均衡）就是 J(D) 的鞍点（saddle point）。
GANs用到机器学习的两种模型：Generative生成模型和Discriminative判别模型。
GANs类比：假设G是大伪艺术家，以制作古董赝品为生，G的终极目标是以假乱真。但是呢，又有一些人以鉴宝为生（D）。开始你给D展示了一些古董真品，告诉D这是正品。然后G开始制作赝品，想骗过D，让他分辨不出真假。随着D看到越来越多的真品，G要骗过D就越来越难，当然，G也不是吃闲饭的，它会加倍努力的试图骗过D。随着这种对抗的持续，不仅D鉴宝的本领提高了，G也会越来越擅长制作赝品。这就是名字中生成-对抗的意思。
应用场景：
可以解决模糊的图片，变的更清晰；
- 标清变高清；
- 修复照片；比如修复残损老照片；去掉马赛克；
- 仿真。你随手涂鸦了一个狗的图样，但是画的很丑，不专业，我帮你生成一个专业的图样，之前谷歌有这样的一个涂鸦网站；
- 生成明星脸
- 音频降噪，基于segan
看下面三张图：
DCGAN
在应用上，这套 GAN 理论最火的构架是 DCGAN（深度卷积生成对抗网络/Deep Convolutional Generative Adversarial Network）。
首先，我要解释下什么是特征？
假如我们想编写一个程序来检测照片中的车。我们知道，汽车有轮子，所以我们可能会想用车轮的存在与否作为特征，遗憾的是，我们难以准确地根据像素值来描述车轮看上去像什么。虽然车轮具有简单的几何形状，但它的图像可能会因场景而异，如落在车轮上的阴影、太阳照亮的车轮的金属零件、汽车的挡泥板或者遮挡的车轮一部分的前景物体等。
卷积神经网络最基础的部分，就是能够先提取出轮子这个特征，然后提取出汽车这个特征；
卷积神经网络的原理是用一个叫做 convolutinoal filter（卷积过滤器，类似于滤镜）的东西把图片过滤（转化）成各种样式（就好像美图软件里面的滤镜效果）。很多这样的滤镜就可以把图片变成很多种样式。我们假设这些样式是原图片各种不同的特征表达（比如，黑白滤镜可以把图片变黑白，让你可以看出更多彩色世界里关注不到的重点；边缘虚化滤镜是把图片虚化，你也许又能看到不同的端倪。一层层这样跑下去，你就会得到原图片的各种非常详尽的特征表达。注意：这个滤镜也不是人选的，而是被慢慢学习到的，不用你操心）。
相反，DCGAN目的是创造图片，其实就类似于把一组特征值慢慢恢复成一张图片。
这其实就是一个反向的 CNN。 这就很像NLP中常用的 word2vec 里面的：
king - man + woman = queen。
做个向量/矩阵加减并不难，难的是把加减后得到的向量/矩阵还原成「图义」上代表的图片。
在 NLP 中，word2vec 是把向量对应到有意义的词；
在这里，DCGAN 是把矩阵对应到有意义的图片。
