学习笔记：生成对抗网络（Generative Adversarial Nets）(附代码)

本文主要是介绍学习笔记：生成对抗网络（Generative Adversarial Nets）(附代码)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

同时训练两个模型：（1）生成模型G，不断捕捉训练库里真是图片的概率分布，将输入的随机噪声转变成新的样本（即假数据），使其像是一个真的图片。（2）判别模型D，用来估计一个样本来自训练数据的概率，即它可以同时观察真是和假造的数据，并判断这个数据的真假（这个数据是不是从数据集中获取的图片）。在训练的过程中让两个网络互相竞争。刚开始的时候这两个模型均未经过训练，然后生成模型产生一张假数据欺骗判别模型，判别模型判断这张图片的真假，经过这个过程两个模型的能力一起变的越来越强。

在了解此网络之前先了解生成模型与判别模型：
（关于生成模型与判别模型的内容主要参考http://blog.csdn.net/zouxy09/article/details/8195017）

1)决策函数 $Y=f(x)$ 与条件概率分布 $P（Y|X）$
监督学习的任务主要就是从所给的数据中学习一个模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决策函数Y=f(x)或者是条件概率分布P（Y|X）
决策函数Y=f(x):输入数据X，得到其所对应的Y，将Y与某一阈值比较，根据比较的结果判断X所属的类别。如果为二分类问题（w1,w2表示两个类别），那么当Y大于所设定的阈值时则为w1，小于时为w2.
条件概率分布 P（Y