生成对抗网络 GAN：两个网络互相博弈

让两个神经网络互相对抗：一个专心造假，一个专心鉴伪，最后造假者的作品能以假乱真——这就是生成对抗网络的设计思路。本文讲清生成器与判别器如何互相推动，也说明这种博弈为什么出了名地难以训练。

造假者与鉴定师

生成对抗网络的设计很像一场博弈：生成器负责凭空造出逼真样本，判别器负责分辨样本是真是假。开局生成器造得很糟，判别器轻松识破；随着训练推进，造假手艺不断提高，鉴定眼光也跟着变刁。

这个设计的巧妙之处在于，它把怎么定义逼真这个难以写成分数的问题，交给了另一个网络来回答。传统生成模型需要人为设计评价指标，而这里判别器本身就是评价指标，而且会随对手变强而自动升级。目标达成时，判别器只能靠猜，正确率接近一半。

交替提升的博弈

训练时两者交替更新。先固定生成器，让判别器在真假混合的样本上练习分辨；再固定判别器，让生成器调整参数，想办法骗过当前的判别器。理想情况下这个过程会推动双方共同进步，最终生成样本的分布与真实样本的分布越来越接近。

生成器并不是直接照抄真实图片，而是从一个随机噪声出发，把它变换成一张完整的图像。改变这个随机输入，输出就会变化，于是你可以像调旋钮一样在生成结果之间连续过渡。这种可控的多样性，是它在图像合成、风格迁移等任务上大受欢迎的原因。

训练为什么难稳

问题在于两个网络目标完全对立，一方变强等于另一方变弱，这种博弈并不保证收敛。最常见的一类失败叫模式崩溃：生成器发现某几张图总能让判别器上当，就反复只造这几种，多样性彻底消失。指标上损失很好看，实际产出却单调得可笑。

为了让训练稳住，研究者提出了大量改进：换用更平滑的损失形式、给判别器加约束、改用推土机距离等衡量分布差异的指标。此外它缺少像似然值那样直观的评估指标，效果好坏往往还得靠人眼和人工设计的分数判断，这给调参带来了不少主观性。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。