1. 原始GAN的理解

1. 编码实现：
# 利用 梯度下降使损失loss降低 的原理, +x即为减小x, -x即为增大x; 判别器D()最后一层使用sigmoid，所以D()的输出表示概率.

# 判别器loss = 增大D(true_data) + 减小D(G(false_data))
# 对于判别器, 判别器需要识别真数据为真，假数据为假。增大D(true_data)，既使得D(true_data)=1，预测真数据的概率为1; 减小D(G(false_data))，既使得D(true_data)=0， 预测假数据为假的概率为0.
Loss-Discriminator = -lg[D(true_data)] - lg[1 - D(G(false_data))]
# 生成器loss = 增大D(G(false_data))
# 对于生成器，生成的数据需要成功欺骗判别器，所以增大 D(G(false_data))，使得D(G(false_data))=1，既假数据被预测为真。
Loss-Generator = lg[1 - D(G(false_data))]

2. 官方公式的理解：
# 固定G，找到一个D使得 V(G, D)最大，等价于 D(真数据)增大，D(假数据)减小；此时表示真数据和假数据之间的差异很大，才能被判别器识别；然后找到一个G，使得这个差异最小。
GAN = arg minG maxD V(G, D) = E x~data {lg[D(x)]} + E x~G {lg[1-D(x)]}