訓練一個神經網絡通常要利用損失函數了解網絡生成的結果與目標結果有多遠。例如，在圖像分類網絡中，損失函數通常會對錯誤的分類進行懲罰；如果網絡將狗誤認為貓，那就會造成很大的損失。然而，并不是所有問題都能很輕易地用損失函數來定義，尤其是涉及人類感知方面的決定，例如圖像壓縮或文本到語音系統的應用。生成對抗網絡（GANs）作為一種機器學習工具，使許多領域的應用都得到了改善，包括用文本生成圖像、超分辨率圖像的生成、教機器人學習抓握以及提供解決方案。然而，這些新的理論和軟件工程上的挑戰卻難以跟上GANs研究的步伐。

生成網絡不斷改進的過程。剛開始會生成隨機的噪音，最終網絡學會生成MNIST數字集

為了讓生成對抗網絡更易于實驗，谷歌開發者開源了一個輕量級的庫——TFGAN，它可以讓GAN的訓練和評估過程更容易。同時，TFGAN提供了經過良好測試的損失函數和評估指標，并提供了易于使用的例子，突出了TFGAN強大的表現力和靈活性。同時，谷歌還發布了一個教程，包括一個高級API，可以快速得到在你的數據上訓練的模型。

該圖表明了對抗性損失在圖像壓縮上的影響。最上層是ImageNet中的圖像補丁。中間一行是在傳統損失上訓練的神經網絡壓縮和解壓縮圖像的結果。最下面一行展示了在傳統損失和對抗損失上訓練的兩種不同結果。由此可見，生成對抗網絡損失的圖像更清晰、更細致，但與原圖還是有一定差距

除此之外，TFGAN提供簡單的函數能覆蓋大多數GANs的案例，所以只需幾行代碼就能讓模型在你的數據上運行。但是它是以模塊化的方式構建的，為的是支持更多GANs設計。開發者可以用任何模塊進行損失、評估、訓練函數。

大多數文本到語音（TTS）神經網絡系統會產生過于平滑的圖譜。當把生成對抗網絡應用到Tacotron TTS系統中后，可以有效消除其中的人工痕跡

TFGAN的輕量級設計可以允許其與其他框架一起使用，或與本機TensorFlow代碼一起使用。利用TFGAN寫成的GAN模型在未來可以輕易的進行改進，用戶可以從大量已經實現的損失和功能中選擇，無需重新編寫模型。

最后，TFGAN的代碼已經經過了充分的測試，用戶不必擔心經常出現的數字或統計錯誤。