之前我们讲了VAE
但原有问题
希望从训练样本分布中采样新数据，但这个分布不仅维度高，而且还很复杂，难以实现
所以期望对一个简单的分布采样，比如正态分布，然后学习一种映射将其变换到训练样本分布，这种映射的方式可以通过神经网络来学习
参考之前总结的
可以通过一个比喻来理解生成对抗网络（GAN）的工作原理：
想象一场假币制造比赛，有两名参赛者：造币专家（生成器）和验币专家（判别器）。
- 造币专家（生成器）：这位专家的任务是制造伪造的硬币，希望这些伪造硬币尽量像真正的硬币一样。生成器开始时可能只是随机制造硬币，但通过不断练习，它学会了如何制造更加逼真的伪造硬币。
- 验币专家（判别器）：验币专家的任务是检查硬币，确定它们是真正的还是伪造的。判别器开始时可能很容易识别伪造硬币，但随着时间的推移，它变得越来越擅长区分真伪。
比赛的规则如下：
- 造币专家（生成器）制造了一些伪造硬币，并将它们交给验币专家（判别器）。
- 验币专家（判别器）尝试检查硬币，然后告诉造币专家哪些硬币是伪造的，哪些是真的。
- 造币专家（生成器）收到反馈后，尝试改进伪造硬币的制造方法，以使它们更难被验币专家（判别器）识别。
- 验币专家（判别器）也在不断提高自己的检测技能，以侦测越来越逼真的伪造硬币。
这个过程不断重复，生成器和判别器互相竞争，生成器努力制造更逼真的伪造硬币，判别器努力提高自己的验币技能。随着时间的推移，生成器越来越擅长制造逼真的伪造硬币，而判别器越来越擅长检测它们。最终，生成器制造的伪造硬币变得如此逼真，以至于判别器几乎无法区分真伪。
