生成对抗网络能生成令人印象深刻的结果,但其训练过程常不稳定。在最小最大目标函数 $$ \min_G \max_D V(D, G) $$ 中,实现生成器 $G$ 与判别器 $D$ 之间的收敛常常有难度,这会引起样本质量差或多样性不足等问题。本章提供实用的方法来诊断并解决这些训练难题。您将学到:识别出模式坍塌、训练震荡和散度等常见问题。实施瓦瑟斯坦GAN(带梯度惩罚WGAN-GP)和最小二乘GAN(LSGAN)等替代损失函数,以提高稳定性。应用正则化技术,包括谱归一化,到生成器和判别器。运用双时间尺度更新规则 (TTUR) 等优化策略。制定针对GAN的有效超参数调优方法。我们将涵盖这些技术背后的原理,并引导您实现WGAN-GP等核心解决方案。