先从一个场景理解 GAN：一个造假者和一个鉴定师的博弈
GAN，全称是 Generative Adversarial Network，生成对抗网络。它最核心的思想不是"我直接告诉模型怎么生成一张图片"，而是设计一个对抗场景，让两个模型互相竞争、互相逼迫，最后把生成能力训练出来。
你可以把 GAN 想象成一个"造假者"和一个"鉴定师"的训练过程。
一开始，造假者水平很差，画出来的东西一眼假；鉴定师也很普通，只会分辨一些很明显的真假。然后训练开始：造假者不断尝试生成假图片，想骗过鉴定师；鉴定师不断学习真实图片和假图片之间的区别，想把造假者抓出来。随着训练进行，鉴定师越来越会看细节，造假者也被迫越来越会模仿真实数据。
最后如果训练得比较理想，就会出现一种平衡：造假者生成的图片已经足够逼真，鉴定师也很难判断它到底是真的还是假的。这个时候，我们真正想要的其实不是鉴定师，而是那个已经训练好的"造假者"，也就是 生成器 Generator。
GAN 的两个核心角色：生成器和判别器
GAN 里面有两个主要模块。
第一个是 生成器 Generator，简称 G。它的任务是从一个随机噪声开始，生成一个看起来像真实数据的东西。比如生成图片时，它一开始拿到的可能只是一串随机数字，这串数字本身没有明确意义，但生成器会把它一步一步变成一张图片。刚开始生成的图可能像雪花噪声，但训练久了之后，它就可能生成一张人脸、一只猫、一个医学影像切片，甚至一个特定风格的图像。
第二个是 判别器 Discriminator，简称 D。它的任务是判断输入的数据是真的还是假的。真实数据来自训练集，假数据来自生成器。判别器会输出一个概率，比如它认为这张图有 90% 的可能是真的，或者只有 10% 的可能是真的。
所以 GAN 的结构其实非常清楚：
生成器负责造，判别器负责查。生成器想骗过判别器，判别器想识破生成器。
这两个模块不是单独训练的，而是互相影响的。判别器越强，生成器就必须生成更真实的东西；生成器越强，判别器就必须学会更细节的真假差异。GAN 的"对抗"二字就在这里。
GAN核心公式
它其实就表达一句话：
判别器 DDD 想分清真假，生成器 GGG 想骗过判别器。
其中：
x：真实数据，比如真实图片。
z：随机噪声。
G(z)：生成器用噪声造出来的假图片。
D(x)：判别器认为真实图片是真的概率。
D(G(z))：判别器认为假图片是真的概率。
判别器的目标是：
真实图片要判成真。
假图片要判成假。
所以判别器希望最大化这个公式，也就是：
它越能分清真假，得分越高。
生成器的目标正好相反。它希望自己造出来的假图被判成真（生成模型只能影响第二个式子）：
所以生成器要最小化判别器识别假图的能力，也就是：
意思就是：
判别器拼命提高鉴别能力，生成器拼命提高造假能力。
在代码里，常见写法会变成两个 loss：
判别器 loss：
意思是：真实图判真，假图判假。
生成器 loss：
意思是：让假图被判成真。
最后如果训练理想，生成器生成的分布接近真实数据分布：
这时判别器已经分不清真假。
GAN应用场景
目前 GAN 的应用主要集中在图像生成、图像增强、图像修复和数据扩充等场景中。它可以用来生成人脸、动漫头像、商品图等视觉内容，也可以用于图像超分辨率，把低清图像变得更加清晰；在图像修复中，GAN 能根据周围区域补全缺失内容，例如修复老照片、去除遮挡或补全破损部分；在图像风格转换中，它可以实现白天到夜晚、素描到真实图像、普通照片到特定风格图像的转换。除此之外，GAN 在医学影像、遥感图像和工业检测中也有较多应用，例如生成医学影像样本进行数据增强、提高卫星图像分辨率、生成缺陷样本辅助工业质检等。整体来看，GAN 最适合处理那些需要"让生成结果看起来更真实"的任务，它的价值不只是生成新图像，更在于通过对抗训练逼迫模型学习真实数据背后的纹理、结构和分布规律。