深度学习：gan生成对抗网络理想情况下是不是生成的都是训练集原有的图片？

不是的，理想状况生成的是训练集原有图像的组合变换图像，该图像和原有图像有所相似但又不尽相同。
举个人脸生成的例子来说就是生成了一个假脸，这个假脸和训练集中的图像可能脸型相同，但是眼睛和鼻子不同，也可能是其他地方有所不同，但整体属于人脸的范畴。如果训练到完全拟合的话，最终生成的图像就会是训练集原有的图像，因为只有训练集的图像能通过验证，其他图像都不会通过验证，但实际上是不可能做到的，只要是训练就会有误差，最终会生成高度相似的假脸。

GAN(Generative Adversarial Networks)是两个网络的的组合， 一个网络生成模拟数据， 另一个网络判断生成的数据是真实的还是模拟的。生成模拟数据的网络要不断优化自己让判别的网络判断不出来， 判别的网络也要优化自己让自己判断得更准确。 二者关系形成对抗博弈，因此叫 对抗神经网络 （生成对抗网络）。实验证明， 利用这种网络间的对抗关系所形成的网络， 在无监督及半监督领域取得了很好的效果， 可以算是用网络来监督网络的一个自学习过程。在GAN发明之前，变分自编码器被认为是理论完美、实现简单，使用神经网络训练起来很稳定， 生成的逼近度也较高， 但是人类还是可以很轻易地分辨出真实与机器生成的。

生成对抗网络包含了 2 个子网络： 生成网络(Generator， G)和判别网络(Discriminator，D)， 其中生成网络负责学习样本的真实分布，判别网络负责将生成网络采样的样本与真实样本区分开来。

生成网络 G(