评估生成对抗网络（GAN）的性能，相较于典型的监督学习 (supervised learning)任务，会面临一些特殊的难点。由于GANs学习逼近复杂的数据分布，仅仅查看训练时的损失函数 (loss function)往往无法体现生成样本的真实质量或多样性。判断GAN是否生成逼真输出，并涵盖真实数据的多样性，需要专门的评估方法。

本章介绍用于评估GAN的方法，涵盖定性与定量两类方法。您将了解此评估过程中本身存在的难题。我们将考察视觉检查等定性方法。更为重要的是，我们将侧重于旨在衡量生成性能不同方面的定量指标。您将学习Inception Score (IS)和Fréchet Inception Distance (FID)等常用指标的公式、解释及其局限性。我们还将介绍Precision和Recall等用于比较分布的指标，以及用于评估潜在空间属性的Perceptual Path Length (PPL)。本章包含关于计算和解释这些分数的实用指导，以便比较不同模型和追踪训练进展。