北京
为什么判别器输出0.5，才算训练到位？这个问题把GAN的核心机制说清楚了。
先看两个角色。生成器从随机噪声出发，造出假样本；判别器是个二分类器，负责判断输入到底是真实数据还是生成出来的。一个造假，一个验假，双方被放进同一场对抗训练里。
训练是交替进行的。先提升判别器的分辨能力，再回头训练生成器，让它造出的东西更难被识破。这是一场零和博弈，目标很明确：判别器的输出逼近0.5，也就是它已经分不清真假；生成器的分布则不断逼近真实数据分布。
问题出在失衡上。生成器过强时，会出现模式坍缩——它只重复输出少数几个样本，看起来骗过了判别器，实际丢掉了多样性。
缓解办法之一是WGAN，用Wasserstein距离替代原来的对抗目标，提升训练稳定性。同一套对抗框架，换个距离度量，训练过程就没那么容易崩。
正方会说，0.5这个目标函数设计得足够优雅，博弈本身就保证了收敛方向。反方会说，优雅归优雅，模式坍缩和训练不稳定照样是常态，WGAN这类修补恰恰说明原始目标有结构性缺陷。
我的判断是：0.5是理想终点，不是日常状态。理解生成器和判别器的分工，比记住这个数字更有用——它解释的是为什么GAN难训，而不是为什么GAN好用。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
