生成对抗网络（Generative Adversarial Networks|GAN）
GAN的介绍
GAN基本概念
GAN的全称是Generative adversarial network，中文翻译过来就是生成对抗网络。生成对抗网络其实是两个网络的组合：生成网络（Generator）负责生成模拟数据；判别网络Discriminator）负责判断输入的数据是真实的还是生成的。生成网络要不断优化自己生成的数据让判别网络判断不出来，判别网络也要优化自己让自己判断得更准确。二者关系形成对抗，因此叫对抗网络。
GAN的基本架构图
生成器（Generator）：通过机器生成数据，最终目的是“骗过”判别器“
判别器（Discrimiator）：判断这张图象是真实的还是机器生成的，目的是找出“假数据”
GAN基本原理
通俗的讲，GAN类似一个银行与造假币的犯罪团伙之间的关系，团伙造假币，银行检测是否是假币，这样双方不断进行训练，提升自身的能力，最终两边的实力都得到了极大的提升。
详细内容见
[https://easyai.tech/ai-definition/gan/]:
GAN的优缺点
3个优势
- 能更好建模数据分布（图像更锐利、清晰）
- 理论上，GANs 能训练任何一种生成器网络。其他的框架需要生成器网络有一些特定的函数形式，比如输出层是高斯的。
- 无需利用马尔科夫链反复采样，无需在学习过程中进行推断，没有复杂的变分下界，避开近似计算棘手的概率的难题。
2个缺陷
- 难训练，不稳定。生成器和判别器之间需要很好的同步，但是在实际训练中很容易D收敛，G发散。D/G 的训练需要精心的设计。
- 模式缺失（Mode Collapse）问题。GANs的学习过程可能出现模式缺失，生成器开始退化，总是生成同样的样本点，无法继续学习。
GAN的实际应用
生成图像数据集、生成人脸照片、生成照片、动漫人物、图像转换、文字到图像的转换、语义-图像-照片的转换、自动生成模特、照片转emojis、照片编辑等等。
具体内容见
[https://easyai.tech/ai-definition/gan/]:
自编码器简介
自编码器是指使用自身的高阶特征编码自己。自编码器是一种神经网络，他的输入和输出时一致的，目标是使用稀疏的告诫特征重新组合来重构自己。
自编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自编码器的场合，压缩和解压缩的函数是通过神经网络实现的。
自编码器架构
相当于有两部分：前半为压缩器后半为解压缩器
自编码器应用
数据去噪、降维、图像生成
变分自编码器（VAE）
变分自编码器可以随机生成隐含变量，提高网络的泛化能力，比普通的自编码器要好，缺点是生成的图片会有点模糊
