对抗生成的网络模型如下图所示。
1 .分为生成网络g和对抗网络d。 对抗网络g是用于生成数据的，对抗网络是用术语判断真伪的数据，即判断数据是真实的还是生成的
2.z是随机生成的隐藏向量，通过生成网络g生成数据g(z )；
3.x为原始数据
4 .首先，需要训练最佳对抗网络。 如果有很好判断真伪数据的网络，我们可以保证生成的假数据是假的，可以混乱，所以对抗网络d的区分度最大化。 即，到达d(g ) z )=0和d ) x )=1的边界。
5 .其次，需要培训完善的生成网络。 由于存在最佳的对抗网络，生成网络g努力生成伪数据，使伪数据通过生成网络d时可以达到伪混乱，d(g(z ) )=1的领域。
那么，具体如何实现呢？ 首先，让我们来看看伟大数学家给出的公式：
由于公式很复杂，所以分为两个模型。
1 .对抗模式
在对抗模型中，需要尽量满足d1(x )=1，因此上述式最初的加法数尽量设为0； 因为需要尽量满足d2(g ) z ) )=0，所以第2个加法数也尽量设为0。 上面的公式，实际上只能尽量满足，不能满足的部分作为损失函数。 因为计算的是负值(log(x )中的x为0~1时结果为负)，所以只要在整个式子前加上负号就可以变换为正数，这个正数越小越好。
2 .生成模型
要生成模型，必须尽量附上真伪。 也就是说，因为d2(g(z ) )为1，所以表达式的结果尽可能为0。 不相等的部分作为损失函数即可，同样，加上负号就可以变换为正。 这个正数越小越好。