机器学习可以有很多的网络模型，其中有一个就是关于生成对抗网络(GAN)，这个网络可以用通俗的说法，如下：
- 孙悟空(Real data)：我是孙悟空。 - 如来(D net)：你是真的。
- 六耳猕猴(G net)：我是孙悟空。 - 如来：你是假的。
- 孙悟空：我是孙悟空。 - 如来：你是真的。
很多很多次以后......
- 六耳猕猴：我是孙悟空。 - 如来：你是真的。 这是关于GAN模型的理解。
GAN由一个G网络和一个D网络组成。G网络目标是尽量生成与真实样本数据相似的数据，让D网络出错；D网络目标是判断一个样本是来自真实样本还是由G生成的。交替训练两个网络，存在全局最优解，使G网络生成的样本和真实样本一样，同时D网络判断的正确率达到1/2。相较有监督学习，CNN在无监督学习上的进展缓慢。结合CNN在有监督学习的成功和无监督学习，有论文提出一类被称为“深度卷积生成对抗网络（DCGANs）”使用生成模型和判别模型，从物体物件到场景图像，学习到一种层次的表征。最后，使用学习到的特征实现新任务——阐明它们可以用于生成图像的表征。
GAN有一个通病：训练过程的unstable ： 经常导致生成器产出无意义的输出。目前在试图理解和可视化GANs学到什么以及多层GANs的中间层标准方面研究非常有限。
DCGAN论文解决了 1.提出和评估了一系列卷积GANs在结构拓扑方面约束条件，让其更加稳定。我们将其命名为深度卷积生成式对抗网络Deep Convolutional GANs 2.使用训练好的判别模型用于图像分类，和其他无监督方法的结果具有可比较性。 3.可视化了卷积核 4.生成模型具有向量算是运算性能
这是关于GAN模型的理解。