看了Goodfellow的论文（Generative Adversarial Nets），找了很多相关资料，想整理一下，包括论文的大概梳理，以及后面的代码实现讲解等。
总的来讲这篇论文还是很有意义的，不像一些没有实际意义的模型，这个模型现在很多人在讨论不说，而且是真的有研究价值。它提出的一种架构可能会在今后改进神经网络方面做出很大突破。下面是整篇论文的梳理--借鉴了很多网上其他人写的博客，也有一些自己的翻译。
看到非常有意思的一句话：这篇文章的题目译为“生成式对抗网络”，但从模型分类（生成模型和判别模型）的角度看，更具体的，改为“与判别网络对抗的生成网络”会比较直观。
一、摘要
通过对抗过程来估计生成模型，该过程同时训练两个模型：生成模型G获得数据分布，判别模型D估计数据来自训练数据（而不是G）的概率。G的训练过程为最大化D犯错的概率。生成模型的估计过程对应一场最小最大的双人游戏。任意函数G和D的空间中，存在唯一解，此时G可恢复训练数据的分布，D的输出等于1/2。如果G和D定义为多层感知机，那么整个系统可通过反向传播来训练。训练和样本生成时不需要任何的马尔科夫链或展开的近似推理网络。
二、前言
三、相关工作
四、对抗网络
五、理论成果
六、实验
七、优缺点
