1 Introduction
GANs由兩個模型組成：生成器和鑒別器。生成器試圖捕獲真實示例的分布，以便生成新的數據樣本。鑒別器通常是一個二值分類器，盡可能准確地將生成樣本與真實樣本區分開來。GANs的優化問題是一個極大極小優化問題。優化終止於相對於生成器的最小值和相對於鑒別器的最大值的鞍點。
2.1 Generative algorithms
生成算法可分為兩類：顯式密度模型和隱式密度模型。
2.1,1 Explicit density model
顯式密度模型假設分布，利用真實數據訓練包含分布或擬合分布參數的模型。完成后，使用所學習的模型或分布生成新的示例。
2.1.2 Implicit density model
隱式密度模型不能直接估計或擬合數據分布。它在沒有明確假設[101]的情況下從分布中生成數據實例，並利用生成的實例修改模型。GANs屬於有向隱式密度模型范疇。
3 Algorithm
3.1 Generative Adversarial Nets (GANs)
3.1.1.1 Original minimax game:
3.2 GANs' representative variants
3.2.1 InfoGAN
https://zhuanlan.zhihu.com/p/55945164
從損失函數的角度來看，infoGAN的損失函數變為：
3.2.2 Conditional GANs (cGANs)
https://blog.csdn.net/taoyafan/article/details/81229466
Conditional GAN的目標函數：
Conditional GAN 結構圖：
判別網絡兩種形式：
ACGAN (Auxiliary Classifier GANs):
https://zhuanlan.zhihu.com/p/91592775
3.2.3 CycleGAN
https://www.jianshu.com/p/5bf937a0d993
3.3.3.6 BigGANs and StyleGAN:
StyleGAN:
https://zhuanlan.zhihu.com/p/62119852
