GAN架构训练：下面三步训练循环是实现这一目标的一种方法

• 第１步－向鉴别器展示一个真实的数据样本，告诉它该样本的分类应该是1.0。再用损失来更新鉴别器。
• 第２步－向鉴别器显示一个生成器的输出，告诉它该样本的分类应该是0.0。只用损失来更新鉴别器。不要更新生成器。
• 第３步－向鉴别器显示一个生成器输出，告诉生成器结果应该是1.0。只用结果的损失来更新生成器，希望生成器能够成功骗过鉴别器。

这就是大多数GAN训练方案的核心。

假设我们用一个被训练用于生成图像的神经网络……。我们称它为生成器（generator）。同时，我们把分类器称为鉴别器（discriminator）……

• 如果图像通过了鉴别器的检验，我们奖励生成器。
• 如果伪造的图像被识破，我们惩罚生成器

鉴别器和生成器是竞争对手关系，双方都试图超越对方，并在这个过程中逐步提高。我们称这种架构为生成对抗网络（Generative Adversarial Network,GAN）。

我们发现，由反向查询创建的图像具有以下的特征：

• 在独热向量相同的情况下，生成的图像总是相同的；
• 它们是有标签的训练数据的像素平均值。

能够用网络来生成图像已经很不错了，但理想的情况应该是；

• 网络可以生成不同的图像
• 生成的图像看起来像训练数据中的一个样本，而不是数据集的平滑平均值。