在本文中，我们提出为生成对抗网络（Generative Adversarial Networks, GANs）赋予直接估计样本能量的能力。具体而言，我们提出了一种灵活的对抗训练框架，并证明该框架不仅确保生成器收敛到真实数据分布，还使判别器在全局最优时保留密度信息。我们推导了诱导解的解析形式，并分析了其性质。为了使所提出的框架在实际中可训练，我们引入了两种有效的近似技术。实验结果表明，这些结果与我们的理论分析高度吻合，验证了判别器能够恢复数据分布的能量。