研究背景
深度学习在判别式模型 （高维输入映射到类别标签，如图像分类）上取得巨大成功，核心依赖反向传播、Dropout 和分段线性激活函数；但生成式模型发展受限，原因是极大似然估计等方法涉及难以近似的概率计算，且难以在生成场景中利用分段线性激活函数的优势，本文提出的 GAN 框架解决了这一痛点。
特征维度 ：回答的是「一个数据样本的属性 / 特征，需要几个数值描述？ 」
想让模型学 "猫的图像分布"，传统方法需要先算出「所有可能的猫图像的概率和（配分函数）」，但猫的图像有无数种（姿势、颜色、角度），根本算不出来；只能用 MCMC 反复采样 "近似猫的分布"，但采样可能只停留在 "橘猫"，学不会 "布偶猫"，最终模型只能生成橘猫，丧失多样性。
核心框架
GAN 由**生成器（G）和 判别器（D）两个多层感知器（MLP）组成**
G：把无意义的随机噪声z,通过网络神经映射，变成如同真实样本一样
初始状态，辨别器强，因此，总体是0，
后面慢慢的生成器开始发力，然后总体的都是1/2
核心训练方法（讲清「怎么训」，突出「简单高效」）
- 训练的核心原则：交替训练 D 和 G（D 训 k 步，G 训 1 步），原因是 "一次性把 D 训到最优计算量太大，还会过拟合"；
- 训练的技术亮点 ：仅用反向传播 + Dropout，生成样本仅需正向传播，对比传统模型的 "马尔可夫链 / 近似推理"，突出 GAN 的计算简洁性（汇报时可加一句「这是 GAN 最核心的工程优势」）。
如何求期望
因此等价于
最大化，就是不看积分那里，然后求极值点
