# GAN GAN通常分为两个部分：Generator 生成器，Discriminator 鉴别师。 让Discriminator尽可能的区分**真实样本**和**生成的样本**，然后让Generator尽可能的生成样本接近真实样本。 [最优传输理论你理解了，传说中的推土机距离重新了解一下](https://zhuanlan.zhihu.com/p/46430032) [W-GAN系 (Wasserstein GAN、 Improved WGAN)](https://www.cnblogs.com/king-lps/p/8480267.html) [Wasserstein GAN最新进展：从weight clipping到gradient penalty，更加先进的Lipschitz限制手法](https://www.tinymind.cn/articles/193) [互怼的艺术：从零直达 WGAN-GP](https://mp.weixin.qq.com/s/V4ErZR3WorGs2yoGwO3QDw) [Ian Goodfellow强力推荐：DeepMind提出Auto-encoding GAN的变分方法](https://mp.weixin.qq.com/s?__biz=MzI5NTIxNTg0OA==\&mid=2247486161\&idx=2\&sn=e11c6bb9839a1fde85e96d26ac2d0b75) [深度神经网络生成模型：从 GAN VAE 到 CVAE-GAN](https://zhuanlan.zhihu.com/p/27966420) [模拟上帝之手的对抗博弈——GAN背后的数学原理](http://geek.csdn.net/news/detail/200135) [深入浅出 GAN·原理篇文字版（完整）](https://mp.weixin.qq.com/s?__biz=MzAwMjM3MTc5OA==\&mid=2652692740\&idx=1\&sn=f1b134f63eb0bf5e4d6759db4d740e58) [令人拍案叫绝的Wasserstein GAN](https://zhuanlan.zhihu.com/p/25071913) [Wasserstein距离在生成模型中的应用](https://mp.weixin.qq.com/s?__biz=MzIwMTc4ODE0Mw==\&mid=2247488555\&idx=1\&sn=d24b8b306c7e854ec7b2d3225a49aaa0\&chksm=96e9cbaba19e42bdc1309a9ecade04d03e41d68935c710b50bbdcfef80632e502258401a3c4e#rd) [看穿机器学习（W-GAN模型）的黑箱](http://mp.weixin.qq.com/s/trvMOTXNs7L6fSmTkZXwsA\)%20\[%E7%9C%8B%E7%A9%BF%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%BB%91%E7%AE%B1%EF%BC%88II%EF%BC%89%20]\(http:/mp.weixin.qq.com/s?__biz=MzA3NTM4MzY1Mg==\&mid=2650813028\&idx=1\&sn=b971c2f1389179951eb5a67b84f1bb49) [GAN的理解与TF的实现](https://zhuanlan.zhihu.com/p/25095905) [一点 GAN -之一：简述](https://zardinality.github.io/2016/10/06/About-GAN-1.html) [简述生成式对抗网络](http://chenrudan.github.io/blog/2016/11/12/gan.html\)%20%20%0A\[2016%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E9%87%8D%E5%A4%A7%E8%BF%9B%E5%B1%95%EF%BC%9A%E4%BB%8E%E6%97%A0%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%E5%88%B0%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C]\(http:/www.jiqizhixin.com/article/1958) [GAN学习指南：从原理入门到制作生成Demo](https://zhuanlan.zhihu.com/p/24767059) [深度学习新星：GANs的基本原理、应用和走向](https://mp.weixin.qq.com/s?__biz=MzI5NTIxNTg0OA==%E2%88%A3=2247485120\&idx=1\&sn=ae26cf65a2b682e0186150603534cec5) [深度学习的下一个热点——GANs将改变世界](https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==%E2%88%A3=2247483757\&idx=1\&sn=e74279776ba1f26e25d3bb1daa8b79e6) [StackGAN mini review](https://zhuanlan.zhihu.com/p/24421479) [谷歌新论文提出适应性生成对抗网络AdaGAN：增强生成模型](http://www.jiqizhixin.com/article/2137) [能根据文字生成图片的 GAN，深度学习领域的又一新星](https://mp.weixin.qq.com/s?__biz=MzIwMTgwNjgyOQ==\&mid=2247484846\&idx=1\&sn=c2333a9986c19e7106ae94d14a0555b9) [解读GAN及其 2016 年度进展](https://mp.weixin.qq.com/s?__biz=MzI1NTE4NTUwOQ==\&mid=2650325876\&idx=1\&sn=5b30f8341f250be0147583b0ad18c689) [条条大路通罗马LS-GAN：把GAN建立在Lipschitz密度上](https://zhuanlan.zhihu.com/p/25204020) [专栏 | 看穿机器学习（W-GAN模型）的黑箱](http://mp.weixin.qq.com/s/mT1Uz5i1XlqWCDxJlR927Q) [Wasserstein GAN and the Kantorovich-Rubinstein Duality](https://vincentherrmann.github.io/blog/wasserstein/) [火热的生成对抗网络(GAN),你究竟好在哪里](https://zhuanlan.zhihu.com/p/25439613) [不容错过！彻底解析 2017 最火结构 Wasserstein GAN](https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==\&mid=2651993903\&idx=4\&sn=f42fdc878005f1d64a39282d33517271) [最小二乘GAN：比常规GAN更稳定，比WGAN收敛更迅速](http://www.jiqizhixin.com/article/2407) [广义LS-GAN（GLS-GAN) :现在 LS-GAN和WGAN都是这个超模型的特例了](https://zhuanlan.zhihu.com/p/25580027) [GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT）](http://www.jiqizhixin.com/article/1969) [机器之心GitHub项目：GAN完整理论推导与实现](https://zhuanlan.zhihu.com/p/29837245)