Wasserstein 生成对抗网络 Wasserstein GAN
Wasserstein 生成对抗网络具有几个优点：
- 解决 GAN 训练不稳定的问题，无需小心平衡生成器和判别器的训练程度；
- 基本解决 Collapse Mode 问题，确保生成样本的多样性；
- 训练过程中存在像交叉熵、准确率一类的数值表示训练进程，这个数值越小表明 GAN 训练的越好，其标志这生成器产生的图像质量越高；
- 无需精心设计的网络架构，只需最简单的全连接网络。
Wasserstein GAN 与 GAN 相比，存在以下几点不同：
- 判别器最后一层取消 Sigmoid；
- 生成器和判别器的 Loss 不取 Log；
- 每次更新判别器的参数后，其绝对值会被截断到低于固定常数 c 。