生成对抗网络（GAN）是一类机器学习框架，由两个神经网络组成，分别称为生成器和判别器，它们在竞争的环境中一起训练。生成器根据随机噪声生成新的数据样本，例如图像、文本或音频，而判别器则评估这些样本，区分训练集中真实的数据和生成器产生的虚假数据。生成器的目标是生成可以欺骗判别器的真实样本，而判别器则旨在准确识别真实和虚假的样本。这种对抗过程使得两个网络随着时间的推移不断改进。
GAN的训练过程是循环进行的。最初，生成器可能会产生低质量的数据，这些数据很容易被判别器检测到。随着训练的进行，生成器从判别器的反馈中学习，逐步提高其生成数据的质量。与此同时，判别器也在不断演变，以更好地识别真实数据与生成数据之间的微妙差异。例如，在图像生成任务中，生成器可能最初会生成模糊的图像，但逐渐精细化输出，以生成与训练数据集中图像相似的高分辨率图像。
GAN在各个领域都有实际应用。在艺术领域，它们可以通过学习现有风格生成新的艺术作品，从而创造出能够模仿著名艺术家的作品。在游戏和虚拟环境中，GAN可以创建逼真的纹理和背景。它们还被用于医学影像，以提高图像质量，或生成合成医学数据用于训练目的，同时不侵犯患者的隐私。总体而言，GAN为生成新数据提供了一种强有力的方法，同时从现有数据集中学习，使其成为人工智能中的一种宝贵工具。