在 GAN 中，有两个网络。第一个网络生成虚假数据。第二个网络显示了第一个网络生成的真实数据和假数据的示例。它的目标是确定它的输入是真的还是假的。第二个网络被训练来更好地区分真假数据，第一个网络被训练来产生更好地欺骗第二个网络的假数据。整个训练过程相当于两个网络之间的竞争，这就是该模型被称为“对抗性”的原因。如果第一个网络学会了完美地模拟“真实”分布，那么就会出现这种竞争的平衡点，此时第二个网络只能做得更好。

从介绍 GAN 的论文 {1}：

在提出的对抗网络框架中，生成模型与对手对抗：一个判别模型，学习确定样本是来自模型分布还是数据分布。生成模型可以被认为类似于一个造假者团队，试图制造假币并在不被发现的情况下使用它，而判别模型类似于警察，试图检测假币。这场比赛的竞争促使双方改进他们的方法，直到假货与真品无法区分。

两个旁注：

• “网络”一词具有误导性，因为生成模型和判别模型都不必是神经网络。（与“记忆网络”一词相同的问题：记忆网络中的网络在哪里？）
• Jurgen Schmidhuber声称早先在这个方向上做过类似的工作。他称之为可预测性最小化。（Jürgen Schmidhuber 是否引入了生成对抗网络？）

参考：

• {1} Ian J. Goodfellow、Jean Pouget-Abadie、Mehdi Mirza、Bing Xu、David Warde-Farley、Sherjil Ozair、Aaron Courville、Yoshua Bengio。生成对抗网络。arXiv:1406.2661 https://arxiv.org/abs/1406.2661