全文总字数：1251字

1. 毕业设计（论文）的内容、要求、设计方案、规划等

gan 启发自博弈论中的二人零和博弈（two-player game），gan 模型中的两位博弈方分别由生成式模型（generative model）和判别式模型（discriminative model）充当。

生成模型 g 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好；判别模型 d 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，d 输出大概率，否则，d 输出小概率。

1）下载mnist图像库；2）读取显示真实图像；3）生成伪图像；4）对抗训练；5）对真实图像进行分类。

2. 参考文献（不低于12篇）

1）Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems, 2014, 3:2672-2680.；2）Mirza M, Osindero S. Conditional Generative Adversarial Nets[J]. Computer Science, 2014:2672-2680.；3）Radford A, Metz L, Chintala S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J]. Computer Science, 2015.4) 王坤峰, 苟超, 段艳杰,等. 生成式对抗网络GAN的研究进展与展望[J]. 自动化学报, 2017, 43(3):321-332.5） 曹志义, 牛少彰, 张继威. 基于半监督学习生成对抗网络的人脸还原算法研究, 2017年11月10日[J]. 电子与信息学报, 2017.6）张喜升. 对抗样本和生成对抗网络深度学习中的对抗方法综述[D]. 南开大学, 2016.7）刘玉杰, 窦长红, 赵其鲁,等. 基于条件生成对抗网络的手绘图像检索[J]. 计算机辅助设计与图形学学报, 2017, 29(12).8）浦煜, 王晓峰. 基于互信息最大化正则的生成式对抗网络[J]. 现代计算机, 2017(26).9）徐一峰. 生成对抗网络理论模型和应用综述[J]. 金华职业技术学院学报, 2017, 17(3):81-88.10）张卫, 马丽, 黄金. 基于生成式对抗网络的人脸识别开发[J]. 电子世界, 2017(20).11）贾加. 基于条件对抗网络的字体生成方法研究[J]. 通讯世界, 2017(24).