生成对抗网络（GAN）是由 Ian Goodfellow 和其他几位研究人员于 2014 年提出的一种深度学习架构。这项技术非常流行，因为它可以利用原始数据生成各种虚假数据，因此被称为“Deepfake”。GAN 技术的另一个应用是“This Person Does Not Exist”网站的人脸图像页面，该网站生成的人脸图像就是使用 GAN 技术生成的。随着时间的推移，这项技术越来越成熟，因为生成的图像非常逼真，就像是从真人脸上拍摄下来的一样。

GAN 架构图

简单来说，GAN 架构如上图所示，其中的主角是生成器模型，而配角是鉴别器模型。这项技术的工作原理其实非常简单，可以用一个罪犯和警察之间的故事来解释。

罪犯与警察

假设生成器模型是一个拥有印钞机的罪犯，负责印制假币；而鉴别器模型是一个拥有扫描机的警察，负责识别真币和假币之间的区别。

罪犯会拿一张写有随机数据的白纸（Random Input），然后从这张随机纸中，将数据送入印钞机（Generator），生成假币（Fake Samples）。

除了假币，真币（Real Samples）也会被混合在一起，交给警察（Discriminator），由扫描机进行分析。

警察自己知道哪些是假币，哪些是真币，因为这些钱都贴有标签。警察会检测并评估他们的预测和分析结果（Loss）。

如果对评估结果（Loss）仍不满意（Satisfy？），则结果将交给犯罪分子（Generator）和警察（Discriminator），让他们分析评估结果并调整各自的机器（Fine Tuning），以提升犯罪分子制造与真钱相似的假币的能力，并让警察更好地区分真钱和假币（Adversarial）。

如果满意（Satisfy？），则在本轮循环结束时，犯罪分子（Generator）将作为主要参与者，从包含随机数据（Random Input）的空白纸上，生成与真钱相似的假币（Generated Data），并在市场上流通。

因此，在这种情况下，有两个模型是 GAN 技术的基准：一个是判别器模型，负责进行预测和学习；另一个是生成器模型，负责生成数据。这两个模型似乎在相互竞争。在数学博弈论中，这两个模型之间的竞争过程也称为零和博弈。零和博弈是指双方之间的一场比赛，比赛的结果是赢家获得的利润与输家损失的利润相同。因此，如果赢家获得 +3 分，输家将获得 -3 分，最终结果实际上为 0。这就是为什么这个博弈被称为零和博弈，因为如果将赢家和输家的结果相加，结果仍然为零。

并且也按照这个技术本身的含义，其中生成这个词的意思是这个技术会产生某种东西，它与对抗这个词相连，对抗的意思是互相敌对，而与网络或者网络这个词闭合，所以如果写成完整的，生成对抗网络，意思是一个以敌对的方式工作以产生某种东西的网络。