GAN, DCGAN, cGAN Paper Reading

GAN: Generative Adversarial Nets

GAN跟传统神经网络不一样的地方就是它的loss函数，一个神经网络有很多个部件不稀奇，但是train的时候是max-min的loss是很创新的事情。简单介绍，GAN有一个Generator（G），一个Discriminator（D）。G生成，D来区分这个生成的结果是像真的呢，还是像假的呢。所以D其实相当于解决一个二分类问题。当然G生成的越真实越好是我们的目标。

所以整个GAN的主要的任务其实是生成，Generator的output是我们想要的结果。但是这个结果是通过discriminator的训练来进行指导的。所以G和D呢，你中有我，我中有你。在对抗中互相提高。所以如果想进步，挑选一个厉害的竞争对手哦，哈哈。

1. traditional GAN 2014

1.1 Paper: 

https://arxiv.org/pdf/1406.2661

1.2 Understanding:

1. E.g. From noise to real image.
2. Generator: G(z;θg)
   1. Input: noise z;
   2. Output: generated image G(z).
3. Discriminator: D(x; θd)
   1. Input: generated image: G(z), label: (0) + real image: x, label: (1)
   2. Output: