先举个例：
Approach 1：可以做到比较小的更改的转换
第一个做法：但是generator完全可以产生和domain Y 中某一张图片完全一样的图片，实践证明当generator比较浅的时候，input和output往往比较像。
第二个做法：比较深的网络，可能会是输入输出完全不一样，大家的做法是用预训练的网络（比如VGG）对输入输出进行特征提取，获得embedding（就是下图橙色小块，可能拼写错了），使这个embedding保持比较像，这样就能保证输入输出不会差太多。感觉这个好像是验算的意思。（我觉得可能是要保持两个pre-trained 的网络一样，然后它们提取出来的特征尽可能近的损失函数也要放到generator里面去，没有看原文，这是我猜的。）
第三个做法：著名的cycleGAN，训练两个generator，两侧的图片越接近越好，这就保证了中间不会是完全无关的别的图像。除此之外，X可以转到Y，Y也可以转到X。
CycleGAN有问题：下图的例子，中间的generator产生的图片会把中间图片的黑点隐藏了，人眼并不能看到。
再来稍微介绍一下，starGAN，如果多个风格互转，比如4个风格的domain，需要6个generator，而starGAN可以用一个generator完成，细节不讨论。（想知道的话可以看视频）
Approach 2：可以做到比较大的更改的转换
下面是一种训练方法，但是两个generator会完全没有关系
解决办法：
方法一：画虚线的地方share参数
方法二：
方法三：
