我们添加一些变化并重复这个过程，其中将步骤 2 和步骤 3 合并，atv，并且将步骤 1 的结果部分储存在内存中，并在储存结果（记忆）需要改进的时候重新访问它，直到我们能够开心地弹奏出足够接近真实歌曲的声音。

因为你已经成为了一个更有技巧的吉他手，你可以学习新的歌曲，你可以仅需要一点练习就学会弹奏以前从未听过或弹奏过的歌曲（即迁移学习（transfer learning）/微调（fine-tuning））。

在这个例子中，歌曲就是数据，我们的耳朵/大脑是判别器，我们的手/大脑是生成器。这可能类似于我们如何学习行动、说话等……更进一步，想象聋哑人说话的情形——这听起来很有趣，因为他们没有判别器来促进对抗学习（也许他们可以选择其它提示（如人们的反应）来作为一种弱的判别器）。

现在我们已经对 GAN 建立了一些直观的认识，让我们来看看如何在软件中实现它们。我们需要考虑现实中的 GAN 与软件之间的相似点和差异点。举例一个差异，现实中发生的对抗学习过程在生成器和判别器之间看起来是协同的，而 GAN 的软件实现看起来是对抗性的（……就像拳击比赛）。

训练 GAN——生成器和判别器之间的拳击比赛

Creed 是判别器，Rocky 是生成器。叮……叮……开打啦！

乍一眼看上去，判别器似乎是教练，生成器是拳击手。但事实上它们都是拳击手，而真实的数据实际上是教练。唯一的不同是只有判别器可以直接访问数据。

判别器是从教练学习的拳击手（真实的数据集越大，教练越有经验），而生成器是只能从它的对手（判别器）学习的拳击手。

在上述训练过程的第 1 步中，判别器由它的教练通过沉重的沙袋训练一轮。教练指出它技术的不足并且促使判别器适应。在第 2 步中，判别器观察生成器打一轮拳击，研究生成器并相应准备其即将到来的一轮拳击比赛。

泄漏的拳击镜头画面意味着对手有更多的材料来学习和准备。

现在第 3 步，拳击比赛！生成器是来自费城的一个好斗的拳击手，它在拳击的时候放松和专注，研究判别器的每一个动作和错误并从中学习——在每轮之后适应。判别器讨厌拳击，每当它完全没有学习到任何东西的时候，它也很害怕和紧张。判别器也许比生成器更具有运动天赋（将数据分类为真实/假的比实际生成数据更容易），但是生成器的心态有助于进行比赛。即使生成器没有教练（无法访问真正的数据集），但它从判别器中学到了很多东西，因为它吸取了它的教练所教的基本特征。

持续这个过程，几轮下来后，直到最终判别器和生成器都成为全能的拳击手，并为比赛做好准备。教练已经教了它所知道的比赛的每一个重要细节，生成器和判别器在它们的拳击比赛中相互学习了很多。理想情况下，它们在训练结束时都是一样的，它们之间比赛的胜败几率是 50/50。

困难