你有沒有看過一個模型不停生成假圖，另一個模型不停抓假，最後越來越像真的？
你可以把生成對抗網路想成兩個角色互相較勁，一個負責造假，一個負責抓假，最後逼出更逼真的生成結果。
它重要，是因為這種對抗學習能讓模型學到很像真實資料的分布，常用在影像與資料增強。
容易混淆
GAN vs 變分自編碼器 VAE 偏向先學分布再重建，結果常比較平滑。 GAN 偏向對抗逼真，生成結果通常更銳利。
GAN vs 一般分類模型 分類模型是判斷類別。 GAN 是生成新樣本，目標完全不同。
記住這句就好
一個負責造，一個負責抓，互相對抗就是 GAN。
實際案例
醫療影像增強 少見病灶資料太少時，可以用 GAN 補強訓練素材，但仍要仔細檢查品質。
人臉生成 GAN 可以生成看起來很像真的人臉、風格圖像或藝術圖案。
算法與應用
它由生成器和鑑別器組成，訓練時讓兩者彼此拉扯，生成器不斷修正輸出。 常見挑戰包含訓練不穩定、模式崩潰和評估困難，但在影像任務裡仍很有代表性。
iPAS 考題
Q：GAN 的兩個核心網路是什麼？ → 生成器與鑑別器，兩者互相對抗來提升生成品質。
Q：GAN 為什麼常用在影像生成？ → 因為它擅長產生較逼真的視覺結果，特別適合高解析度視覺內容。
情境判斷
Q1： 如果你想做逼真的假圖生成，GAN 會比一般分類模型更合適嗎？
會，因為分類模型不是拿來生成新內容的。
Q2： 如果生成結果看起來都差不多，這一定是成功嗎？
不一定，可能是模式崩潰，代表多樣性不足。
常見問題
GAN 為什麼訓練難？
因為兩個網路在互相拉扯，平衡不好就容易不穩。
它只適合生成圖片嗎？
不只，但圖片是最常見、也最容易看出效果的場景。
模式崩潰是什麼？
生成器只會產生少數幾種樣本，失去多樣性。
GAN 一定比 VAE 更好嗎？
不一定，GAN 可能更逼真，VAE 常更穩，取捨看任務。