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 。

相关词： GAN