GAN是机器学习的大牛Ian Goodfellow于2014年提出，是一种无监督学习的实现方案。GAN一个比较接地气的应用就是生成较真实的图片，例如：风景和人脸。NIPS2016年有个Tutorial就是介绍GAN的最新进展，这里是Tutorial的文字版，这里是一篇很好的中文的解释。

GAN应用

超分辨

生成网络：输入低分辨率图像，输出高分辨率的清晰图像。尽量地把生成的结果伪装成高分辨率的清晰图像。生成网络模型被大大地简化，目的性变得很明确。因为生成网络的目的变为竟可能地伪装欺骗人眼，所以生成的结果的效果也相对更好，能提供更多的细节。判别网络：判断输入的图像是否是“真实的高分辨率图像”。

参考这篇文章（作者为fada_away），再给一个直观的解释：老张造假币，警察打假。老张想造假币谋生，一开始他造的假币很快就被实习警察识破了；然后老张回去研究一番后造出新的假币，实习生分辨不出，但被小警员给识破了；老张又回去研究，骗过了小警员，但被警察长给识破了；经过反复研究识破，最后老张造的假币警察已经识别不出来了，和真的一样！这就是GAN的很直观的原理，其中造假币的老张叫generator，警察叫discriminator，他们两个不断博弈对抗，最后让generator学会了以假乱真，达到所谓的纳什均衡。

生成模型和判别模型 GAN实现超分辨（Ledig et al 2016） Image Morphing (BEGAN, Berthelot et al. 2017)

生成模型（Generative Modeling）

密度估计（Density estimation）是一种常见的生成模型，而密度估计的方法中最常见的是KDE(核密度估计)。如果不知道数据的分布，可以假设一个分布，然后通过密度图的情况，获知高密度的区域。KDE其实就是大家熟知的热度图的一个统计学的表达。传统概率生成模型需要进行复杂的马尔科夫链的计算，而GAN避免了这个复杂计算过程，易用于实际的应用场景。

核密度估计（KDE）

生成模型如何工作？

生成模型的主要理论支撑是最大似然估计（Maximum Likelihood），这是概率论与数理统计课程的一个重要知识点，如果不了解，可以看看我写的另一篇文章。

最大似然估计

最简单的GAN框架

一个最简单的GAN框架，是利用已知的数据分布的结果（图中蓝色部分），在使用某种模型的基础上（比如高斯分布模型），反推最有可能导致这样结果的模型参数值（高斯分布的参数）。图中绿色为算出的生成概率分布。整个过程类似最大似然估计的过程。通过最优化方法，可以调节概率生成模型的参数，使得生成的概率分布尽可能逼近真实数据的分布。这里需要定义一个损失函数。传统方法通常使用似然估计的方法，而GAN引入了判别模型（SVM或CNN）。GAN是通过对抗学习这种方式来近似求解一些不可直接解的损失函数。

原始数据分布和生成概率分布