理解
生成器与判别器相互博弈的过程。
经过多次反复训练迭代之后，最终希望能够达到生成样本分布拟合于真实样本分布的状态，并且判别器分辨不出样本是生成的还是真实的（判别概率均为0.5）
生成模型大概有两种玩法：
密度（概率）估计：就是说在不了解事件概率分布的情况下，先假设随机分布，然后通过数据观测来确定真正的概率密度是怎样的。
样本生成：这个就更好理解了，就是手上有一把训练样本数据，通过训练后的模型来生成类似的「样本」。
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），反卷积，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。