我正在阅读有关生成对抗网络（GAN）的信息，对此我有些怀疑。到目前为止，我了解到，在GAN中，有两种不同类型的神经网络：一种是生成型（$G$），另一种是判别型（$D$）。生成神经网络生成一些数据，这些数据由判别神经网络判断正确性。GAN通过将损失函数传递给两个网络来学习。

区分性（$D$）神经网络最初如何知道$G$生成的数据是否正确？我们是否必须先训练$D$然后将其与$G$一起添加到GAN中？

让我们考虑我训练有素的$D$网，它可以将图片分类的准确率达到90％。如果我们将此$D$网添加到GAN，则有10％的概率会将图像分类为错误。如果我们用这个$D$网络训练GAN，那么在分类图像时，它也会有同样的10％错误吗？如果是，那么GAN为何显示出令人满意的结果？

比较生成的数据和真实数据

从定义上来说，即使对于一个非常好的生成器，G产生的所有结果也总是被认为是“错误的”。

$D$$G$

$D$$G$

$D$

$D$$G$$D$$D$

就是说，使用这种情况可能是提高神经网络分类能力的一种很好的“无监督”方法，因为它迫使生成器模型学习更好的真实数据特征，并学会如何使用传统的监督学习方案所需的数据要少得多。