生成对抗网络 (GAN) 是一种机器学习框架，旨在生成与真实数据非常相似的合成数据。 GAN 由两个神经网络组成——生成器和判别器——它们在训练期间相互竞争。生成器创建虚假数据样本，而判别器评估样本是真实的（来自训练数据集）还是虚假的（由生成器产生）。随着时间的推移，这种对抗过程会改进两个网络：生成器学习产生更具说服力的输出，而判别器变得更擅长区分真实数据和虚假数据。例如，如果一个 GAN 在猫的图像上进行训练，生成器可能会从产生模糊的形状开始，但最终学会生成看起来逼真的猫的图像。
训练过程涉及一个反馈循环。生成器将随机噪声作为输入，并将其转换为合成样本。然后，判别器接收真实样本和生成的样本，为每个样本分配一个真实性概率，并通过反向传播向生成器提供反馈。这种设置创建了一种动态，即生成器的目标是欺骗判别器，而判别器的目标是避免被欺骗。一个常见的挑战是保持两个网络之间的平衡。如果判别器过快变得太强，生成器可能会无法有效地学习，从而导致较差的结果。Wasserstein GAN (WGAN) 等技术通过修改损失函数来确保更稳定的训练（使用评论家而不是传统的判别器）来解决这个问题。
GAN 已广泛应用于图像合成、风格迁移和数据增强等任务中。例如，在图像到图像的转换中，GAN 可以将卫星照片转换为地图，或者将草图转换为逼真的图像。然而，它们也有局限性。训练 GAN 可能不稳定，需要仔细的超参数调整和架构设计。此外，还会出现诸如模式崩溃（生成器产生有限种类的输出）之类的问题。尽管存在这些挑战，GAN 仍然是开发人员处理创意应用程序、合成数据集生成或真实数据稀缺的场景的强大工具。 TensorFlow 和 PyTorch 等框架提供了简化 GAN 实现的库，使具有扎实神经网络基础的开发人员可以轻松访问它们。