入门，训练GAN神经网络

https://zhuanlan.zhihu.com/p/27440393 http://blog.csdn.net/on2way/article/details/72773771
先立个flag，下次有时间再来完善它。（听罗帅哥学长说，搞了2个月，感觉坑略多啊

。。。。） https://github.com/search?utf8=%E2%9C%93&q=caffe+GAN&type=
还有收藏的，没细查，下次去找

整体：
首先明确，我们的目的是要一个能够模仿高手：即生成器，它是一个反卷积网络。有了它就可以大量模仿出我们想要的数据；
那么如何得到我们的生成器？这时候就想到用一个识别器（它是一个普通的卷积网络），来打辅助。通过2者不断螺旋迭代上升训练（难点也在这），最终帮我们得到一个非常满意的生成器。
具体：
每次迭代就像周伯通的左右手互相搏斗，先拿点真实数据训练识别器的火眼晶晶，然后让生成器去模仿一些假冒货，识别器一眼就看出来了，然后就开始提高生成器的造假模仿能力。
达到什么程度，才停止一轮呢？有个判别公式：p(F)/(p(F)+p(T))这是识别器的概率，最终让识别器认为P(F)也认不出来，以为是真的，所以二者近似，最终为0.5，表示识别器也认不出来了，那我们的生成器的模仿能力相对不错了。

那么下一轮我们就要提高我们的识别器的识别能力了（具体如何？没研究），然后同样道理，生成器一下子被发现假的，所以我们又提高生成器造假能力。这样生成器，识别器不断迭代提升。

最终有个loss函数，大家先明确loss值越小说明我们训练的模型越好。所以整体的有个loss公式？？？下次贴出来。
使得识别器的最终版本的识别能力肯定是越来越强。同样生成器的造假模仿能力也越来越强，所以识别器的区分能力最强，生成器的模仿数据与真实数据的误差越来越小。同时还满足我们的loss函数值越小模型性能越好的评价标准，这个loss函数设计巧妙。

有个具体的loss函数拆分表达式？？？?下次贴出，也是满足识别器对真，假数据识别能力都很强，而且loss值很小。
同时满足，生成器的模仿能力很强，也就是生成器的模仿数据与真实数据的误差越来越小，，而且loss值很小。