WGAN与WAE

连续几篇都是与表示学习相关，再来看看WAGN

首先是一个预备知识，关于sup和inf

接下来进入正题，先来看看原始的GAN是如何定义的

这种定义方式可以理解为所谓的“伪造者”，“判断者”用博弈论的方式理解，也可以视为分布拟合，窃以为后一种理解方式更为通用。接下来就可以进入主题看看WGAN的优化目标以及它与WAE的联系

这里补充一下f-gan的基本常识以便于理解对距离 的估计（摘自https://spaces.ac.cn/archives/6016）

个人以为，从对分布间距离的优化这个角度出发，VAE，WAE，WGAN都是紧密相关的，而f-gan的视角与方法可以作为一个思考的基础点，总体而言，把握住两个要点即可

1. 用什么距离
2. 如何估计距离