Generator
network as generator
x 和 z 同时作为 network的输入
z服从一定的简单分布
生成复杂分布的y
为什么要训练 generator , 为什么输出是要一个分布？
为了适应一些具有创造性的任务 ，答案有多种可能。比如打游戏可能向左。可能向右。 加入一个随机分布的输入，比如 0-1 分布，当随机输入为0时，左转，随机输入为1时，右转。
Unconditional generation
没有x ， 输入只有z
随机分布不同的z, 会产生不同的output
Discrimator
输出一个scaler ， 判别输出的图片与真实的二次元图像的相似度
generator 和 discriminator 交替互相更新进化。 直到discriminator 判断输出与真实的一致
固定G 更新D， 固定D ，更新G … …
目标是使得discriminator 的分数越高越好，可以使用梯度上升法
（厉害，模型生成的二次元图像）
（未完待续）
