博客

WGAN & WGAN-GP:

1.资料参考：

互怼的艺术：从零直达WGAN-GP – 科学空间|Scientific Spaces​kexue.fm

郑华滨：令人拍案叫绝的Wasserstein GAN​zhuanlan.zhihu.com

2.code参考：

https://github.com/bojone/gan/blob/master/mnist_gangp.py​github.com

3.感悟：

原始GAN的问题：

判别器越好，生成器梯度消失越严重。

根据原始GAN定义的判别器loss，我们可以得到最优判别器的形式；而在最优判别器的下，我们可以把原始GAN定义的生成器loss等价变换为最小化真实分布

与生成分布

之间的JS散度。我们越训练判别器，它就越接近最优，最小化生成器的loss也就会越近似于最小化

和

之间的JS散度。

根据原始GAN定义的判别器loss，我们可以得到最优判别器的形式；而在最优判别器的下，我们可以把原始GAN定义的生成器loss等价变换为最小化真实分布

与生成分布

之间的JS散度。我们越训练判别器，它就越接近最优，最小化生成器的loss也就会越近似于最小化

和

之间的JS散度。

回过头来看第一句话，“当