机器学习笔记 - WGAN生成对抗网络概述和示例

一、简述

        Wasserstein GAN或WGAN是一种生成对抗网络，它最小化地球移动器距离 (EM) 的近似值，而不是原始 GAN 公式中的 Jensen-Shannon 散度。与原始 GAN 相比，它的训练更加稳定，模式崩溃的证据更少，并且具有可用于调试和搜索超参数的有意义的曲线。

        Wasserstein 生成对抗网络（Wasserstein GAN）是生成对抗网络的扩展，它既提高了训练模型时的稳定性，又提供了与生成图像质量相关的损失函数。

        WGAN 的发展有着浓厚的数学动机，尽管在实践中只需要对已建立的标准深度卷积生成对抗网络（DCGAN）进行一些小的修改。

        Wasserstein GAN，简称 WGAN，由 Martin Arjovsky 等人提出的论文中。在他们 2017 年题为“ Wasserstein GAN