生成对抗网络 GAN 入门

生成对抗网络（GAN）让两个网络互相较量：生成器负责造假，判别器负责识破。二者在零和博弈中共同进步，最终生成器能产出以假乱真的数据，是图像生成的开山之作。

生成器与判别器

生成器把随机噪声 z 映射为样本 G(z)，判别器 D 输出「样本来自真实数据」的概率。判别器想最大化分辨正确率，生成器想最小化 D 的判别能力，构成极小极大博弈。

import torch
z = torch.randn(64, 100)            # 随机噪声
fake = generator(z)                 # 生成样本
score = discriminator(fake)         # 判别器打分

标准目标为 min_G max_D E[log D(x)] + E[log(1 - D(G(z)))]。实际训练常用「非饱和」损失，让生成器最大化 log D(G(z))，梯度更稳定。二者交替更新，通常判别器多训几步。

GAN 训练不稳定，可能出现模式崩塌（只生成少数几种样本）。需要仔细平衡双方能力，常用技巧有标签平滑、历史样本回放。Wasserstein GAN 等后续工作改善了收敛性。

GAN 用生成器与判别器的对抗把噪声变成逼真样本，核心是极小极大博弈。训练难点在稳定与模式崩塌，理解损失与交替更新是动手第一步。

本文累计阅读 — 次