以下图片来自于我的课程开课吧老师PPT，如有侵权请告知！

GAN(Generative Adversarial Network 对抗生成网络)
GAN实际是一种方法，表述的是一个过程（这种理解是比较重要的），它不是网络结构。
生成器与决策器（判别器），生成器生成一张图片，决策器去判断他是真还是假，什么时候是最佳呢？其实是要达到一种平衡，生成器给出一张图片，判别器不能判断真假，都是0.5的概率。
这是一个过程，训练决策器可以判别真图片，生成器生成加入高斯噪声的图片，和真实图片同时输入到判别器进行判断，然后再改善生成情况。

一个完美的数学公式呈现出来，请死死记住，符号都别错，细化到每个字母。这个太重要了，重要到怎么强调都不过分。
开课吧的老师标了8个序号，第一个序号就是黄颜色的V，这是个什么，这其实就是相当于损失函数Loss，只不过这里使用的是强化学习里价值函数的概念，具体的请看图片解释，也就是说，现在就是生成器和决策器对抗的过程。生成器是一个agent，判别器执行一个动作。

这里解释的就是2了，D(x)就是判别器判断的结果，或者概率，确定图片是真的就是1，是假的就是0，并且D(x)最大值只能是1，所以可以看到上方那个绿色图像横坐标，就是D(x)的取值范围。所以当判别器最优的时候，D(x)=1,D(G(z))=0,下面这个函数值为0，所以下面这个务必要记住的函数最大值是0
maxD就是指最棒的判别器

那生成器是想干什么？让D(G(z))=1，就是说我生成一张假图，让判别器判定为真图，这就是生成器的目的，所以如果有一个理想的生成器，可以把判别器玩弄于鼓掌之中，就可以让公式 的5部分趋向于负无穷，所以这就是公式中3的意思。
综合以上可以总结什么是minG和maxD的意思，就是使判别器使vf最大，生成器使vf最小。
这个过程希望达到一种平衡，生成器和判别器谁也不能占谁的便宜，交替进行，对抗生成。
这个过程中经验理解先生成判别器好一点，但是理论上不管这一套。
零和博弈（zero-sum game），又称零和游戏，与非零和博弈相对，是博弈论的一个概念，属非合作博弈。它是指参与博弈的各方，在严格竞争下，一方的收益必然意味着另一方的损失，博弈各方的收益和损失相加总和永远为“零”，双方不存在合作的可能。
生成器和判别器之间就是这种关系和过程，也称min-max-game。

再看看关于公式的6部分，x代表真实数据，我们是假设它服从某种分布的，此处是p-data分布，这是从概率上来考虑的，高维数据也一定服从某种分布。
训练数据使用的camera-1的数据，为什么测试数据也要使用camera-1的数据，不能输用camera-2的数据，这就是因为在概率上两者数据不属于同一重分布，测试起来没有意义，如果还不好理解的话，此处老师举了一个例子，为什么训练的彩色图片不能用黑白图片测试，因为channel不一样，也可以理解为两者数据服从的分布不一样。

再看一下公式的7部分，其实是一样的，只不过这里z是噪声，它符合一个噪声的p-z分布，每个噪声样本都是随机变量，它可能符合我们未知的一种p-z分布（大家不要问为什么，如果需要探求为什么就符合某种分布，这得从概率上解释了，比如为什么某随意分布的样本均值的抽样分布符合正态分布呢？抽样的样本和也符合正态分布呢？这我肯定解释不了，书上这么写的，所有人都这么讲的，我的接受来源是实验模拟，当然有公式推导，有兴趣的同学可以去研究一样，但是咱不是专门研究概率的，不要钻牛角尖，研究错了方向）

这个是公式的第8部分，也是最后一部分，首先是连续分布的期望定义，其次就是结合其定义看一下我们公式里这是什么意思，表达的是谁的期望，上面老师手写的应该可以看清，我解释一下是什么意思，首先就是按照定义公式中的864部分写成一种什么形式，然后是875部分写成一种什么形式，这是一种可以计算的形式。求的是logD(x)的期望，因为对抗过程中我们就是计算这个值，对抗过程生成的值很多，怎么用数学工具很好的表示这么多数值呢，或者说对抗过程的情况呢，采用的就是期望，通俗的理解就是整个对抗过程中所有logD(x)的均值，另一个同一个意思，然后通过这两个期望得到我们的vf函数，0就代表判别器最优，负无穷就代表生成器最优。
然后就是化简公式，我们的G(z)是假的图片，就想让它等于X的，X是真的图片，这是我们的目的，所以我们直接替换了，这时，z本来服从p-z分布，此时对整个分布进行了G运算，所以整个分布情况变化了，这种分布通过G的运算变成了p-g分布，这其实就是生成器优化的过程，将假图片生成真图片，自然要和真图片是同一种分布，图上写的p-g，如果生成器最优，最终其实就是p-data，只是老师为了解释过程写的一个过渡。

看下这个解释，就是我上面说的内容。好了，现在我们已经完全理解了这个公式，下面就是计算过程。
总结一下就是：判别器要使vf值最大，生成器要使vf值最小。
第一步：让判别器达到最优，就是一个训练过程，使用多分类感知机，CNN等能够判别图像；
第二步：生成器使vf值最小，就是上面所说，G(z)最好的极限就是X，所以用了X代替，然后化简了公式，得到了如下图绿框所示公式，对其进行求导并等于0，得到D的值，带入可以求的绿框表达式最大值，此时得到最优判别器。那么正如上面所述，在生成器进化过程中，是否p-g分布最终等于了p-data分布，就取得了最小值？
现在绿框中的式子表示的是生成器最优的情况，然后就是计算一下两个分布相等的时候，得到的值是不是最小值，下面是老师的证明过程。
将绿框中的式子对D求导（这个我也不是很理解，先略过。我找到原因了，后面给链接），并=0，求得D的值（红色字体部分），然后带入vf表达式，右侧绿色字体部分，我们假设的是两个分布相等，可求得
vf=-log4，那么下一步就是验证，-log4是不是价值函数vf的最小值。

再看下面这张图片是验证过程，中间有个配参数的过程，当两个分布相等的时候，得到最后一个结果，-log4就是最小值

JSD是个啥，为什么大于等于0。请看下图，Dkl和JSD都是描述分布间的离散度的，表示两个分布的离散程度，比如两个点的距离，是可以计算，两个分布的离散程度同样可以度量，之前没接触过，老师说这个是这样的就先记下。

所以说问题的答案就出来了，p-g=p-data的时候，是全局最优的情况吗？答案是肯定的，那能取到吗？这是问题2，本节课结束了，下节课再说。

对于求导过程，我找到不理解的原因了，也找到可以理解的版本了，但是我还是没理解，这个涉及到其他的数学知识，我还不具备，包括信息论，泛函变分。现在还不适合细究这个，先规划着吧。
链接奉上：https://www.jianshu.com/p/59c3f7945e9f