GAN有两个网络模型，生成网络和判别网络，这两个网络是相对独立的，那么如何对这两个模型进行训练呢? 采用生成器和判别器交替迭代训练(两者博弈的过程)。

交替迭代训练

 1.首先，我们得到初始的真假数据集。给生成器一个随机的输入（初始化），生成器输出一个假的样本集（未训练时效果非常差，也就是非常假），同时我们有真实的样本集（标签数据），于是我们得到了真假数据集。
 
2.有了真假数据集后，固定生成器的参数不变，对判别器进行训练。训练过程是一个有监督的二分类问题，即给定一个样本，训练判别器能判断出其是真样本还是生成器生成的假样本。

3.完成判别器的训练后，我们要提升生成器的造假能力（因为一开始的数据太假了），我们将生成器与前一步训练好的判别器串接，固定判别器的参数不变，对生成器进行训练。给生成器一个随机输入，损失函数是判别器的输出是否为真，根据损失函数，对生成器的参数进行更新。
    
4.完成生成器的训练后，再次固定生成器的参数不变，对判别器进行训练。给生成器随机输入，得到新的假的数据集（此时的假样本比第1步生成的假样本要真一些，因为生成器经过了一轮优化），将最新得到真假样本输入给判别器进行训练，从而完成对判别器的再一次优化训练。

5.不断重复上述过程，直到满足设计者设定的训练次数，此时生成器会生成更真的数据，判别器有更好的鉴别真假的能力。

传统GAN损失函数

首先对判别器D进行优化（固定生成器G的参数），损失函数如下所示：

表示真实数据x输入判别器后的输出，训练判别器时我们希望这一项趋近于1，z表示随机输入生成器的数据， 表示生成器生成的假样本我们希望判别器将其判别为假，即训练判别器时 趋近于0。

对生成器G进行优化（固定判别器D的参数），损失函数如下所示：

我们希望生成器能够生成令判别器判别为真的假数据，即“欺骗判别器”，所以训练生成器时我们希望 趋近于1。

以上就是生成对抗网络的训练过程啦~希望能够解答小伙伴们的疑惑！