在文章“手把手教你写一个生成对抗网络”中，我们谈到过生成对抗网络。意犹未尽的是，只是了解生成对抗网络的基本原理和算法形式，对于训练结果还没有仔细研究。
最近拜读了机器学习四大神之一Yann LeCun (燕乐存 目前在facebook就职) 今年发表的论文“ENERGY-BASED GENERATIVE ADVERSARIAL NETWORK”。基于能量模型的生成对抗网络，训练结果真的很不错。不像一般的生成网络，生成的图片像素随机性大，字体边界模糊。看下图论文在MNIST集上的比较：
左边是一般GAN(生成对抗网络)的生成数字， 右边就是论文的改进EBGAN(基于能量的生成对抗网络)。可以很明显地看出，改进的生成数字比较清晰，连接也比较流畅 。传统GAN生成的数字就比较模糊，像素连贯性较差。 继续阅读#11 基于能量模型的生成对抗网络–生成对抗网络进阶
今天我们接着上一讲“#9 生成对抗网络101 终极入门与通俗解析”， 手把手教你写一个生成对抗网络。参考代码是：https://github.com/AYLIEN/gan-intro
关键python库: TensorFlow, numpy, matplotlib, scipy
我们上次讲过，生成对抗网络同时训练两个模型, 叫做生成器和判断器. 生成器竭尽全力模仿真实分布生成数据; 判断器竭尽全力区分出真实样本和生成器生成的模仿样本. 直到判断器无法区分出真实样本和模仿样本为止.
上图是一个生成对抗网络的训练过程，我们所要讲解的代码就是要实现这样的训练过程。
其中， 绿色线的分布是一个高斯分布（真实分布），期望和方差都是固定值，所以分布稳定。红色线的分布是生成器分布，他在训练过程中与判断器对抗，不断改变分布模仿绿色线高斯分布. 整个过程不断模仿绿色线。蓝色线的分布就是判断器，约定为, 概率密度越高, 认为真实数据的可能性越大. 可以看到蓝线在真实数据期望4的地方,蓝色线概率密度越来越小, 即, 判断器难区分出生成器和判断器. 继续阅读手把手教你写一个生成对抗网络 — 生成对抗网络代码全解析, 详细代码解析(TensorFlow, numpy, matplotlib, scipy)
机器学习中经常会碰到“损失函数”,“成本函数”, 和“目标函数”。许多初学者会被这些概念搞晕。事实上，“损失函数”和“成本函数”在很多地方都会混用（甚至有人叫它们“错误函数”）。但是也有细微的差别。
差别1：
“损失函数”比“成本函数”更加宽泛。“损失函数”可以是一个点上的损失，也可以是整个数据集上的损失。而，“成本函数”一般是数据集上总的成本和损失。
差别2：
“成本函数”比“损失函数”更加复杂。“成本函数”可以比损失函数有更复杂的组合和计算，“成本函数”可以加上正则化项。如下：
