GAN（Generative Adversarial Network，生成对抗网络）是一种深度学习的模型，它由两个神经网络组成，分别称为生成器（Generator）和判别器（Discriminator）。生成器的目的是从一个随机噪声向量生成一些新的数据，例如图像、文本、音频等。判别器的目的是判断输入的数据是真实的还是生成器生成的。生成器和判别器在一个零和博弈（Zero-sum Game）的框架下进行竞争，生成器试图欺骗判别器，使其无法区分真假数据，判别器试图识别出生成器生成的数据，并给出一个接近于0或1的概率值。通过不断地更新两个网络的参数，最终使得生成器能够生成足够逼真的数据，而判别器无法区分真假数据。

GAN的结构如下图所示：

其中，z是一个随机噪声向量，G(z)是生成器输出的数据，x是真实数据，D(x)是判别器对真实数据的概率输出，D(G(z))是判别器对生成数据的概率输出。GAN的训练过程是通过最小化以下损失函数来进行的：

其中，E表示期望值，pdata(x)表示真实数据的分布，pz(z)表示噪声向量的分布。这个损失函数可以理解为判别器和生成器之间的交叉熵（Cross Entropy），判别器希望最大化这个损失函数，即让D(x)尽可能接近于1，而让D(G(z))尽可能接近于0；生成器希望最小化这个损失函数，即让D(G(z))尽可能接近于1。

GAN有很多优点，例如可以从数据中自动学习特征，而不需要人工设计或标注；可以用于生成新的数据，例如图像、文本、音频等；可以用于增强已有的数据，例如图像超分辨率、图像风格迁移、图像修复等。

GAN也有一些缺点，例如训练过程不稳定，容易出现模式崩溃（Mode Collapse）或梯度消失（Vanishing Gradient）等问题；难以评估生成数据的质量和多样性；难以控制生成数据的属性和特征等。