生成器

概述

GAN 中负责从随机噪声生成伪造数据的神经网络，目标是生成以假乱真的样本来欺骗判别器。

关键内容

1. 角色与目标：在 生成对抗网络（GAN） 中，生成器（Generator, G）扮演"造假者"角色。它接收随机噪声向量 z ~ N(0, I) 作为输入，输出伪造数据 G(z)（如假图像）。其目标是生成足够逼真的样本，使 判别器 无法区分真假。
2. 网络架构：典型的生成器是全连接或卷积神经网络，将低维潜在空间（如 100 维噪声向量）映射到高维数据空间（如 28×28 图像）。常用架构包括 BatchNorm + LeakyReLU + Tanh 输出层，其中 Tanh 将输出限制在 [-1, 1] 范围内以匹配归一化后的图像数据。
3. 训练目标：理论上生成器最小化 log(1 - D(G(z)))，但实践中改为最大化 log D(G(z))。这是因为早期训练时判别器很强，D(G(z)) ≈ 0，导致 log(1 - D(G(z))) 的梯度接近零（梯度消失）。非饱和目标 log D(G(z)) 在训练初期提供更强的梯度信号。
4. 训练问题：生成器容易出现 模式崩塌——只生成少数几种样本而非多样化输出。这是因为生成器找到了判别器的某个"盲点"并反复利用。DCGAN 使用全卷积架构、WGAN 使用 Wasserstein 距离、StyleGAN 使用风格解耦等技术来改善生成器的训练稳定性。

来源

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

相关

• 生成对抗网络（GAN） — part_of
• 判别器 — compares_to
• 对抗训练 — part_of
• 模式崩塌 — relates_to
• 梯度消失 — relates_to