生成对抗网络（GAN）是生成模型的一种神经网络架构。

生成模型指在现存样本的基础上，使用模型来生成新案例，比如，基于现存的照片集生成一组与其相似却有细微差异的新照片。

GAN是使用两个神经网络模型训练而成的一种生成模型。其中一个称为“生成器”或“生成网络”模型，可学习生成新的可用案例。另一个称为“判别器”或“判别网络”，可学习判别生成的案例与实际案例。

两种模型（从博弈论的意义上来说）处于一种竞争状态，生成器企图愚弄判别器，而判别器则要同时处理生成案例和实际案例。

经学习，生成模型可生成所需的新案例。

生成对抗网络具有极为具体的使用案例，一开始这些案例理解起来会有些困难。

本文将回顾大量GAN的有趣应用，有助于你了解其能够解决的案例类型。以下列表或许并不完整，但其中包含了许多媒体介绍过的GAN使用案例。

应用案例可划分为以下18种类型：

2014年，Ian Goodfellow等人发表论文《对抗式生成网络》，提出了生成新案例这一应用。文中指出，GAN可为MNIST手写数码数据集、CIFAR-10小件图片数据集、多伦多人像数据集生成新案例。

论文传送门：https://arxiv.org/abs/1406.2661

2015年，Alec Radford等人在一篇重要论文《使用深度回旋生成对抗网络进行无监督表示学习》，也表达了类似观点。论文指出，深度回旋生成对抗网络展示了大规模培养稳定GAN的方法。论文展示了生成卧室新案例的模型。

论文传送门：https://arxiv.org/abs/1511.06434

同时，论文展示了GAN（在潜在空间中）运行向量运算的能力，只需输入生成的卧室案例和人像案例即可。