AI 原生开放教材

外观

AI 工程从零到一（中文）源码研读·中文原文 ↗原件 ↓仓库 ↗

GAN —— 生成器 vs 判别器 ​

Goodfellow 在 2014 年的招数是干脆绕开密度。两个网络。一个造假，一个抓假。它们打到假货跟真货无法区分为止。这本不该有用。它经常也确实没用。一旦真有用了，在窄领域里它的样本仍然是文献里最锐的。

类型： Build 语言： Python 前置要求： 阶段 3 · 02（反向传播）、阶段 3 · 08（优化器）、阶段 8 · 02（VAE） 预计时间： ~75 分钟

问题背景 ​

VAE 产出模糊样本，是因为它的 MSE 解码器损失对均值图像才是贝叶斯最优的——而众多像样数字的均值是一个糊掉的数字。你想要一个奖励像不像的损失，而不是逐像素地贴近某一个目标。「像不像」没有闭式解。你只能把它学出来。

Goodfellow 的想法：训练一个分类器 D(x) 来区分真图和假图。训练一个生成器 G(z) 来骗过 D。G 的损失信号就是 D 当下认为什么东西看起来像真的。这个信号随着 G 变强而更新，追着一个移动的靶子跑。如果两个网络都收敛了，G 就在从没写下过 log p(x) 的情况下学会了数据分布。

这就是对抗训练。数学上是一个极小极大博弈：

min_G max_D  E_real[log D(x)] + E_fake[log(1 - D(G(z)))]

到 2026 年，GAN 不再是 SOTA 生成器了（扩散和流匹配抢走了这顶王冠）。但 StyleGAN 2/3 仍是史上上线过最锐的人脸模型，GAN 判别器在扩散训练里被用作感知损失，对抗训练还驱动着那些让你能上线实时扩散的快速一步蒸馏（SDXL-Turbo、SD3-Turbo、LCM）。

核心概念 ​

GAN 训练：生成器与判别器在极小极大博弈中

生成器 G(z)。 把噪声向量 z ~ N(0, I) 映射成一个样本 x̂。一个解码器形状的网络（全连接或转置卷积）。

判别器 D(x)。 把一个样本映射成一个标量概率（或分数）。真 → 1，假 → 0。

损失。 两个交替的更新：

  • 训练 D： loss_D = -[ log D(x) + log(1 - D(G(z))) ]。在真=1、假=0 上做二元交叉熵。
  • 训练 G： loss_G = -log D(G(z))。这是 Goodfellow 用的非饱和形式（原始的 log(1 - D(G(z))) 在 D 自信时会饱和，把梯度搞死）。

训练循环。 走一步 D，走一步 G。重复。

为什么有用。 如果 G 完美匹配了 p_data，那么 D 不会比瞎猜更好，处处输出 0.5；G 再也拿不到梯度。这就是均衡。

为什么会崩。 模式坍缩（G 找到一个 D 分不出来的模式，就一直印它）、梯度消失（D 学得太快，log D 饱和）、训练不稳定（学习率、批大小，什么都算）。

让 GAN 跑起来的那些变体 ​

年份创新修了什么
2015DCGAN卷积/反卷积、batch norm、LeakyReLU——第一个稳定的架构。
2017WGAN、WGAN-GP用 Wasserstein 距离 + 梯度惩罚替换 BCE。修了梯度消失。
2017谱归一化给判别器加 Lipschitz 界。2026 年的判别器里仍在用。
2018Progressive GAN先训低分辨率，再加层。第一批百万像素结果。
2019StyleGAN / StyleGAN2映射网络 + 自适应实例归一化。固定领域写实度的顶尖水平。
2021StyleGAN3无混叠、平移等变——2026 年仍是人脸的金标准。
2022StyleGAN-XL带条件、类别感知、更大规模。
2024R3GAN用更强的正则化重新包装；不靠花招就能在 1024² 上工作。
figure
gan-minimax

动手构建 ​

code/main.py 在一维数据上训练一个迷你 GAN：两个高斯的混合。生成器和判别器都是单隐层 MLP。我们手写前向、反向和极小极大循环。目标是在两个关键失效模式（模式坍缩 + 梯度消失）发生时亲眼看见它们。

第 1 步：非饱和损失 ​

香草版的 Goodfellow 损失 log(1 - D(G(z))) 在 D 高自信地把 G 的假货判成假时趋于 0。到那时 G 的梯度基本为零——G 没法改进了。非饱和形式 -log D(G(z)) 的渐近行为正相反：D 自信时它会爆掉，给 G 一个强信号。

python
def g_loss(d_fake):
    # maximize log D(G(z))  <=>  minimize -log D(G(z))
    return -sum(math.log(max(p, 1e-8)) for p in d_fake) / len(d_fake)

第 2 步：每走一步生成器就走一步判别器 ​

python
for step in range(steps):
    # train D
    real_batch = sample_real(batch_size)
    fake_batch = [G(z) for z in sample_noise(batch_size)]
    update_D(real_batch, fake_batch)

    # train G
    fake_batch = [G(z) for z in sample_noise(batch_size)]  # fresh fakes
    update_G(fake_batch)

给 G 用新鲜的假货，否则梯度是过期的。

第 3 步：盯着模式坍缩 ​

python
if step % 200 == 0:
    samples = [G(z) for z in sample_noise(500)]
    mode_a = sum(1 for s in samples if s < 0)
    mode_b = 500 - mode_a
    if min(mode_a, mode_b) < 50:
        print("  [!] mode collapse: one mode is starved")

典型症状：两个真实模式里有一个不再被生成。判别器不再纠正它，因为它从没被当成假货见过。

坑 ​

  • 判别器太强。 把 D 的学习率砍 2-5 倍，或者加实例/层噪声。如果 D 准确率超过 95%，G 就死了。
  • 生成器背下了一个模式。 给 D 的输入加噪声、用 minibatch-discriminator 层，或者换成 WGAN-GP。
  • batch norm 泄露统计量。 真批和假批流过同一个 BN 层会把它们的统计量混在一起。改用实例归一化或谱归一化。
  • 刷 Inception 分数。 FID 和 IS 在样本数少时很噪。评测用 ≥10k 个样本。
  • 「一次到位采样」对条件任务是个谎言。 你仍然需要 CFG 系数、截断技巧和重采样才能得到能用的输出。

实际使用 ​

2026 年的 GAN 技术栈：

场景选择
写实人脸、固定姿态StyleGAN3（最锐、最小）
动漫 / 风格化人脸StyleGAN-XL 或 Stable Diffusion LoRA
图到图翻译Pix2Pix / CycleGAN（阶段 8 · 04）或 ControlNet（阶段 8 · 08）
快速一步文生图对扩散做对抗蒸馏（SDXL-Turbo、SD3-Turbo）
扩散训练器内部的感知损失在图像裁块上跑一个小 GAN 判别器
任何多模态、开放式的东西别——用扩散或流匹配

GAN 锐但窄。一旦你的领域放开了——照片、任意文本 prompt、视频——就换扩散。对抗这个招数作为一个组件（感知损失、蒸馏）继续活着，而不是作为独立的生成器。

拿去用 ​

存为 outputs/skill-gan-debugger.md。技能接受一次失败的 GAN 训练（损失曲线、样本网格、数据集大小），输出一份排好序的可能原因清单、一行修复，以及一套重跑流程。

练习 ​

  1. 简单。 用默认设置跑 code/main.py。然后设 D_LR = 5 * G_LR 再跑。G 的损失多快坍缩成一个常数？
  2. 中等。 把 Goodfellow 的 BCE 损失换成 WGAN 损失：loss_D = E[D(fake)] - E[D(real)]，loss_G = -E[D(fake)]，并把 D 的权重裁到 [-0.01, 0.01]。训练更稳了吗？比较墙钟收敛时间。
  3. 困难。 把这个一维例子扩到二维数据（一个环上的 8 个高斯混合）。追踪生成器在第 1k、5k、10k 步分别抓住了 8 个模式里的几个。实现 minibatch discrimination 后重新测量。

关键术语 ​

术语大家嘴上怎么说它实际指什么
生成器「G」噪声到样本的网络，G: z → x̂。
判别器「D」分类器 D: x → [0, 1]，真 vs 假。
极小极大「那个博弈」对一个联合目标做 min_G max_D。
非饱和损失「那个修法」G 用 -log D(G(z)) 而不是 log(1 - D(G(z)))。
模式坍缩「G 背下了一样东西」数据明明多样，生成器却只产出寥寥几种不同的输出。
WGAN「Wasserstein」用推土机距离 + 梯度惩罚替换 BCE；梯度更平滑。
谱归一化「Lipschitz 招数」约束 D 的权重范数来限定它的斜率；稳定训练。
StyleGAN「真能用的那个」映射网络 + AdaIN；人脸领域同类最佳，2026 年依旧。

生产笔记：一次到位推理是 GAN 留存下来的优势 ​

在开放领域生成上，GAN 在样本质量上不再占优，但在推理成本上仍然占优。用生产推理文献的词汇说，GAN 具有：

  • 没有 prefill、没有 decode 阶段。 单次 G(z) 前向。TTFT ≈ 总延迟。
  • 没有 KV-cache 压力。 唯一的状态就是权重。批大小受限于激活内存，而不是缓存。
  • 连续批处理轻而易举。 由于每个请求耗费相同的固定 FLOPs，在服务器目标占用率上跑一个静态批通常就是最优。不需要 in-flight 调度器。

这就是为什么 GAN 蒸馏（SDXL-Turbo、SD3-Turbo、ADD、LCM）是 2026 年快速文生图的主流技术：它把一条 20-50 步的扩散流水线压成 1-4 次 GAN 式前向，同时保留扩散基模型的分布。对抗损失作为一个训练期的旋钮活了下来，用来把慢生成器变成快生成器。

延伸阅读 ​