判别器

概述

GAN 中负责区分真实数据与生成数据的神经网络，目标是正确识别生成器产生的伪造样本。

关键内容

1. 角色与目标：在 生成对抗网络（GAN） 中，判别器（Discriminator, D）扮演"鉴别专家"角色。它接收真实数据 x 或生成数据 G(z) 作为输入，输出该样本为真实数据的概率 D(·) ∈ [0, 1]。其目标是最大化正确区分真假样本的能力。
2. 网络架构：典型的判别器是全连接或卷积神经网络，将高维数据（如图像）映射到标量概率值。常用架构包括 LeakyReLU 激活函数（防止梯度消失）和 Dropout 层（防止 过拟合（Overfitting））。注意：判别器通常不使用 BatchNorm，因为这可能导致 模式崩塌。
3. 训练目标：判别器最大化 V(D, G) = E_{x~p_data}[log D(x)] + E_{z~p_z}[log(1 - D(G(z)))]。第一项鼓励对真实数据输出接近 1，第二项鼓励对生成数据输出接近 0。通常每步训练判别器 k 步（k=1），以保持与生成器的能力平衡。
4. 关键平衡：判别器不能太强也不能太弱。太强会导致 梯度消失（生成器梯度为零，无法学习）；太弱则无法提供有效的训练信号。实践中通过控制训练步数比、学习率、谱归一化等方式维持两者的能力平衡。

来源

• Generative Adversarial Nets (2014 论文) — 原始论文中定义的判别器角色
• 10_gan_2014.md — 源文件，含完整 PyTorch 实现

相关

• 生成对抗网络（GAN） — part_of
• 生成器 — compares_to
• 对抗训练 — part_of
• 过拟合（Overfitting） — relates_to
• Dropout（随机失活） — uses
• 梯度消失 — relates_to