目录
生成对抗网络（GAN）是一种由生成器与判别器组成的机器学习模型，通过对抗训练生成逼真数据。
一、通俗解释
可以把它想象成"造假者"和"鉴定师"的博弈：生成器（造假者）不断伪造假画，判别器（鉴定师）则努力辨别真假。两者反复较量，直到假画逼真到鉴定师也无法分辨，最终生成器就能产出以假乱真的作品。
二、专业解析
GAN是一种基于博弈论中极小极大优化框架的无监督学习模型，包含两个深度神经网络：
生成器（G）：输入随机噪声，通过参数映射逼近真实数据分布，生成合成样本；
判别器（D）：作为二分类器，评估输入样本来自真实数据还是生成器输出的概率。
两者的优化目标为纳什均衡------生成器最小化判别器的判断准确率，而判别器最大化其分类能力。通过交替训练，生成器最终学习到与真实数据高度一致的分布特性
三、权威参考
1 、中国计算机学会
生成对抗网络是一种无监督机器学习方法，包含生成器和判别器两个模型。判别器判定样例是来自数据集还是生成器合成的图像，生成器尽可能使生成图像以假乱真迷惑判别器。两者相互对抗以提升各自能力，直至判别器无法分辨合成图像与真实图像。
2 、JEDEC （联合电子设备工程委员会）
GAN的核心在于生成器与判别器的动态博弈。生成器通过随机噪声输入生成逼真数据，判别器则通过监督学习区分真实与生成样本。这种对抗训练优化了生成数据的分布，使其逼近真实数据分布。
3 、联合国高级别人工智能咨询机构专家 张凌寒
生成对抗网络（GAN）基于递归式生成模型，能够生成逼真的图像、音频和视频等内容，革新了传统内容生产方式，但也带来了深度伪造等潜在风险。