生成对抗网络的简单介绍如下，训练一个生成器（Generator，简称G），从随机噪声或者潜在变量（Latent Variable）中生成逼真的的样本，同时训练一个鉴别器（Discriminator，简称D）来鉴别真实数据和生成数据，两者同时训练，直到达到一个纳什均衡，生成器生成的数据与真实样本无差别，鉴别器也无法正确的区分生成数据和真实数据。GAN的结构如图1所示。

　　Ian Goodfellow在生成对抗网络（GAN）论文最后总结的几点：

　　优点

模型只用到了反向传播，而不需要马尔科夫链；

训练时不需要对隐变量做推断；

理论上，只要是可微分函数都可以用于构建D和G，因为能够与深度神经网络结合做深度生成式模型；

G的参数更新不是直接来自数据样本，而是使用来自D的反向传播（这也是与传统方法相比差别最大的一条吧）。

　　缺点

可解释性差,生成模型的分布 Pg(G)没有显式的表达。

比较难训练,D与G之间需要很好的同步,例如D更新k次而G更新一次。

　　Ian Goodfellow

　　Ian Goodfellow 是深度学习大神 Yoshua Bengio的学生，以第一作者的身份和Bengio、Allan Courville合著了“Deep Learning”这本书——是的，就是【那本】Deep Learning。

　　LinkedIn 页面显示 Goodfellow 的职业轨迹：

2013年6月到2013年9月，j2直播，在谷歌实习，职位：软件工程师

2014年7月到2015年11月，谷歌研究员

2015年11月到2016年3月，谷歌高级研究员

2016年3月到2017年3月，Open AI 研究员

2017年3月到现在，谷歌 Staff Research Scientist

　　原文地址：https://www.wired.com/2017/04/googles-dueling-neural-networks-spar-get-smarter-no-humans-required/

　　3月27日，新智元开源·生态AI技术峰会暨新智元2017创业大赛颁奖盛典隆重召开，包括“BAT”在内的中国主流 AI 公司、600多名行业精英齐聚，共同为2017中国人工智能的发展画上了浓墨重彩的一笔。

　　访问以下链接，回顾大会盛况：

阿里云栖社区：