1. GAN主要由两个模型组成：一个生成模型G负责捕捉数据的分布；另一个是判别器模型，负责判断样本是来自于数据集还是来自于生成模型G。

2. 在实际训练时，更新D模型k次，然后更新一次模型G。

3. 在训练的早期，生成模型G是比较差的，所以判别器D会很自信得对来自生成模型G的样本打低分。这种情况下，生成模型G对应的Loss函数梯度基本为0。也就是说刚开始训练的时候生成模型G会学习的很慢。针对这个问题，Goodfellow用“最大化”去替代“最小化”。

优缺点

缺点

1. 不能显示的表达出 的表达式。
2. 在训练的时候，模型G和模型D必须要相互协调。

优点

1. 不需要用到马尔科夫链。
2. 可以整合许多函数到模型中去。