basic idea
vector >Generator>image>Discrinminator>scalar(分越高，真实度越高）
算法：
Discriminator：
D（x)是discriminator给x这个image打的分，为一数值。
真实数据打分高，伪造数据分低。所以用1-D（x’i)
其中，discriminator使用sigmoid函数，将取值限制在0-1，以适应log运算要求。（但这样做其实不是最好方法）
D（x’i)值越小，V越大。使用Gradient Ascent（梯度上升）取得max。
ps：n为学习率（learning rate）。
Generator：
生成数据须取得高分，max V。
G(z)为输入噪声后生成的image，D（G（z))为对噪声生成的image的打分。还是用梯度上升。
GAN as structured learning
Can Generator learn by itself?
GAN比自动编码器（Auto-encoder）好的地方在于考虑到全局。
imput 的scalar与output的image关系密切
image>scalar>image,两image越相似，说明训练越好。（why not scalar>scalar？如果这样的话，input差距大，output差距反而会小，input一串数据变了，output可能只是一根头发丝变了）
Auto-encoder：encoder 把image转换为code，通过decoder转换为image。Generator即为我们要学习的decoder。其中，VAE（variational auto-encoder）可以把decoder train 最稳定。
但VAE需要多加hidden layer（加深network）才能学习到各像素之间的关系。
相比之下，GAN才能实现全局观。单个generator很难学习到关系。
Can Discriminator generate?
可以生成，但没有Generator配合，卡得很。
Discriminator更擅长评判已经生成的image componens间relationship。
另一方面，Discriminator必需negative image 的输入，否则会认为什么input都是满分。训练时，会降低非real examples的分值。（升real降低not real只适用于一维空间，我们能做的只是降低not real，生成新negative，再降低再生成）
总结
G生成negative samples训练D,D进行评判，通过穷举法找出分最高的，让G学习到全局观的分布。
G,D二者相互配合，固定一个，update另一个。