怎样教机器画一张从未见过的人脸呢？我们知道计算机可以存储大量照片，但它并不知道像素与外观是如何关联起来的。

多年来，各种各样的生成模型都试图解决这个问题。它们使用不同的假设模拟底层数据分布，但那些假设通常并不实用。

目前的实现方法都不是最优解：隐马尔可夫模型生成的文本非常枯燥，由上一句就能预测下一句；变分自编码器（Variational Autoencoders）生成的图像是模糊的，图像之间尽管名称不同，但实际上变化很小，缺乏多样性。

要解决这些问题就要采用一种全新的方法，生成式对抗网络（GAN）应运而生。

在这篇文章中，我们会全面介绍GAN的基础概念，展示其主要架构，并提供大量能显著优化结果的技巧。

GAN的发明

生成模型主要是用来收集训练样本并表示样本的概率分布，解决方案通常是直接推断其概率密度函数