コードの解説
（２）もお読み頂きありがとうございます。
それでは、さっそく、コードの解説に移らせていただきたいと思います。まずはganの仕組みをしっかり理解する必要があります。原論文をきちんと読んだ上で、実装に即した形で説明したいと思います。
GANの実装の仕組み
基本の構成要素
GANは、２つのニューラルネットワークでできています。
generaterとdescriminaterです。面倒なので、ｇ，ｄと呼びます。ｇは、ニセの画像を作り出すニューラルネットワークです。ｄは、ｇが作ったニセの画像と、本物の画像を識別するニューラルネットワークです。
なので、ｇが偽造者、ｄが判別者などと呼ばれたりもします。
ｇとｄをトレーニングしていくと、最終的には、本物っぽい画像を生み出すｇが得られることになります。このｇを使えば、以後、本物っぽい画像をいくらでも生成できることになります。
gとｄの実装理念
ｇは、ノイズの入力に対してニセ画像を出力するニューラルネットワークです。
ノイズは、サイズが(ｎ×１)で、各要素が標準正規分布から発生させた乱数になっているnumpyndarrayです。
ニセ画像は、サイズが（row×columun×３）で、各要素は−１から１の範囲に収まるnumpyndarrayです。
ｇ（ノイズ）＝ニセ画像
ですね。
ｄは、画像の入力に対して本物かどうかを出力するニューラルネットワークです。
画像は、ニセ画像または真の画像です。真の画像は、サイズがニセ画像と同じで、実際の写真等をndarrayに変換したものです。ただし、各要素は２５５で割り算して−１されているので、範囲は−１から１になります。出力は、０から１のスカラーで、ニセ画像に対しては０，真の画像に対しては１を出力するようにトレーニングされます。
ｄ（画像）＝０〜１ですね
学習のやり方
ここが、元の論文以外でなかなか説明されていない部分です。
学習は２ステップの組み合わせになります。
１ステップ目は、gのパラメタを固定してdのパラメタだけを鍛えます。つまり、真の画像の入力には１を、ニセ画像＝ｇ（ノイズ）の入力には１を返すように、dだけをトレーニングします。
２ステップ目は、ｄのパラメタを固定してｇのパラメタだけを鍛えます。この際、ｇとｄを組み合わせたモデルを作って、トレーニングします。組み合わせたモデルは、
ｄ（ｇ（noise））
ですね。その出力が１になるようにgのパラメタだけを鍛えます。
各エポックごとに、このステップ１と２を繰り返していくのです。これがポイントです。敵対的生成モデルとは言うものの、gとｄを同時に鍛えるのではなく、交互に鍛えるんですね。ですから、実装がカンタンに済むのです。
説明が長くなってしまったので、コードの解説は次回行いたいと思います。お読み頂き、ありがとうございました。