ターゲット分布を取る：

分布からどのようにサンプルを取るかを定義する：

ランダムなサンプルの分布とヒストグラムをプロットする：

スカラー値の生成器を定義する：

与えられたスカラーのスコアを出力する識別器を定義する：

生成器と識別器を埋め込んで両者を敵対的な態度で訓練するNetGANOperatorを作成する：

潜在確率変数とサンプルとして取られた実際のデータを与えるデータ生成器を作成する：

このデータ生成器からサンプルを得る：

NetGANOperatorの訓練をモニターするために，生成されたサンプルをモニターする関数を作ると役に立つだろう：

NetGANOperatorのランダムな初期化についてのモニタリングをチェックする：

この図では，緑の曲線がターゲット分布，赤い曲線が識別関数で，オレンジ色のヒストグラムは生成されたフェイクの数の分布を表している．

生成的敵対的ネットワーク(Generative Adversarial Network)を，動作をライブでモニターしながら訓練する：

訓練されたモデルの生成をモニターする：

数を生成しヒストグラムをプロットする：

ターゲットの二次元分布を取る：

分布をプロットする：

数のペアの生成器を定義する：

与えられた数のペアに対してスコアを出力する識別器を定義する：

生成器と識別器を埋め込んで，それらを敵対的態度で訓練するNetGANOperatorを作成する：

あるデータの損失と生成された点のペアを計算する：

NetGANOperatorの生成器と識別器の動作を可視化する関数を書く：

ランダムな初期化を使って生成されたサンプルもランダムである：

NetGANOperatorを訓練する：

訓練後に生成されたサンプルは，ターゲットの分布によりよくフィットする：

MNISTデータ集合の画像を取り出す：

画像のためのバイナリ識別器を定義する：

同じ大きさの画像の生成器を定義する：

ランダムなシードとサンプルとして取られた数字の画像を与えるデータ生成器を定義する：

生成された画像がどのくらいよいかをモニターする関数を定義する：

この関数をランダムに初期化されたNetGANOperatorで試す：

画像を生成するようにNetGANOperatorを訓練する．生成された画像は訓練過程を通してモニターする：

訓練されたNetGANOperatorから生成器を抽出し，これを使って新たな数字の画像を生成する：

異なる2つの数字の画像を取得する：

いくつかのランダムな画像をサンプルに取る：

訓練済みの画像分類器を取り出す：

この訓練済みの分類器からバイナリ識別器を定義する：

画像を取り込んで同じ形の別の画像を生成する生成器を定義する：

NetGANOperatorの2つの例と共有生成器を使ってCycle-GANアーキテクチャを定義し，サイクル一貫性の損失を敵対的損失に加える：

生成された画像を可視化する関数を定義する：

ランダムな初期化で生成された画像を見る：

Cycle-GANを訓練する：