熵是用来描述一个系统的混乱程度,通过交叉熵我们就能够确定预测数据与真是数据之间的相近程度。交叉熵越小，表示数据越接近真实样本。（预测的概率就是我们的预测值的准确值）

关于梯度，可以看我的这篇博客，这里就不多加阐述了，我们先看一下百科的定义：很抽象对吧，别着急，慢慢来，我们要先了解一下泰勒展开式：什么是泰勒展开式呢？

模型经过交替优化训练，两种模型都能得到提升，但最终我们要得到的是效果提升到很高很好的生成模型（造假币的机器），这个生成模型（造假币的机器）所生成的产品能达到真假难分的地步。可以看出来在计算我们生成模型的损失值得时候，我们对我们伪造的图片进行判0得时候，这一块得损失值应当是增大的，因为实际上预测他的概率或者说最后输出层那一个神经元里面的数是应该不断接近一的。这个是判别器的目标函数，D（x）表示生成器

模型经过交替优化训练，两种模型都能得到提升，但最终我们要得到的是效果提升到很高很好的生成模型（造假币的机器），这个生成模型（造假币的机器）所生成的产品能达到真假难分的地步。可以看出来在计算我们生成模型的损失值得时候，我们对我们伪造的图片进行判0得时候，这一块得损失值应当是增大的，因为实际上预测他的概率或者说最后输出层那一个神经元里面的数是应该不断接近一的。这个是判别器的目标函数，D（x）表示生成器

关于梯度，可以看我的这篇博客，这里就不多加阐述了，我们先看一下百科的定义：很抽象对吧，别着急，慢慢来，我们要先了解一下泰勒展开式：什么是泰勒展开式呢？

熵是用来描述一个系统的混乱程度,通过交叉熵我们就能够确定预测数据与真是数据之间的相近程度。交叉熵越小，表示数据越接近真实样本。（预测的概率就是我们的预测值的准确值）

模型经过交替优化训练，两种模型都能得到提升，但最终我们要得到的是效果提升到很高很好的生成模型（造假币的机器），这个生成模型（造假币的机器）所生成的产品能达到真假难分的地步。可以看出来在计算我们生成模型的损失值得时候，我们对我们伪造的图片进行判0得时候，这一块得损失值应当是增大的，因为实际上预测他的概率或者说最后输出层那一个神经元里面的数是应该不断接近一的。这个是判别器的目标函数，D（x）表示生成器

在代码实现之前，我们先要知道，sklearn里面的tree库中的一些关键模块。

关于梯度，可以看我的这篇博客，这里就不多加阐述了，我们先看一下百科的定义：很抽象对吧，别着急，慢慢来，我们要先了解一下泰勒展开式：什么是泰勒展开式呢？

模型经过交替优化训练，两种模型都能得到提升，但最终我们要得到的是效果提升到很高很好的生成模型（造假币的机器），这个生成模型（造假币的机器）所生成的产品能达到真假难分的地步。可以看出来在计算我们生成模型的损失值得时候，我们对我们伪造的图片进行判0得时候，这一块得损失值应当是增大的，因为实际上预测他的概率或者说最后输出层那一个神经元里面的数是应该不断接近一的。这个是判别器的目标函数，D（x）表示生成器