以最大似然估计的方式来获得生成图像模型的方法，这种方法是可行的，但有比较大的约束，即模型不能太复杂，比如服从正态分布，那么通过最大似然估计的方式就可以计算出，但如果是一个非常复杂的分布，那么使用这种方式难以获得一个理想的模型，这种强制性的约束就会造成各种限制，而我们希望的是可以为任意分布，这就需要引出GAN了。

 1 生成器来拟合分布 

在GAN中有两个主要的组成部分，分别是生成器与判别器，这里先讨论生成器，因为通过最大似然估计的方式能以计算复杂分布的，所以GAN的方法就是直接使用一个神经网络来完成这个事情，而这个神经网络就是生成器，因为神经网络可以拟合任意的分布，所以生成器不存在最大似然估计会遇到的问题。

对于GAN中的生成器而言，它会接收一个噪音输入，这个噪音输入可以来自于正态分布、均匀分布或其他任意分布，经过生成器复杂的神经网络变换，输出的数据就可以组成一种复杂的分布，最小化这个分布与真实分布的差异则可。输入给生成器的数据其分布不用太在意，因为生成器是一个复杂的神经网络，它有能力将输入的数据“改造”成各式各样的数据分布，直观如图1所示。

图1生成器 那么对生成器而言，它的目标函数就为：

即最小化生成分布 与真实分布 的距离 。 因为我们依旧无法准确的知道生成分布 与真实分布 具体的分布情况，所以依旧使用采样的方式来解决这个问题，即从数据集中抽取一下样本将抽取出的样本的分布看成是 与 的分布，这种做法的背后思想其实是大数定理，知道了两个分布后，就可以通过训练生成器来最小化两分布的距离了。  2 判别器计算分布的差异  生成器可以最小化生成分布 与 真实分布之间的距离了，但如何定义这个距离，即生成器目标函数中的 如何定义？ GAN可以通过判别器来定义这两个分布的距离，简单回顾一下判别器，如图2所示。