GAN
生成器的目的是捕获样本分布，鉴别器的目的是区分数据是来自于样本还是生成器。他们俩的two-player min-max目标函数表示为
Conditional GAN
生成器和鉴别器都以额外的信息y作为条件的生成对抗网络，就称为Conditional GAN。y可以是任何形式的辅助信息，例如类标签或者来自其他模态的样本。Conditional GAN的two-player min-max目标函数表示为
Cycle GAN
上图向我们展示了何谓成对匹配好的训练数据和不成对的训练数据。Cycle GAN正是为了解决不成对的图像与图像之间的转化。
Cycle GAN在介绍GAN的时候指出GAN成功的关键在于提出了对抗损失的思想，迫使生成图像的分布和真实图像的分布不易区分开来。
在介绍数学推导之前，描述变量含义：和
表示两个域，
和
表示不成对的训练样本。
Cycle GAN有两个生成器，从
映射到
，
从
映射到
；有两个鉴别器，
区分图像
和转化来的图像
，
区分图像
和转化来的图像
。