基础 GAN 存在的问题
在开始讲解变种之前，首先讲一下GAN 存在的问题。第一个问题就是判别器D太强了，损失都是0。假设判别器D能力强，G vl生成的图片与真实图片相差巨大，G v2生成的图片与真实图片相差不多，但是判别器都能完美地识别出所有的正负样本，这样就无法知道G v1更好还是G v2更好了。第二个问题就是生成多样性的问题，也称为Mode Collapse。
反卷积
去卷积、反卷积、上采样，都是一个概念，都是扩大特征图尺寸的，英文是 Deconvolution。
空洞卷积
空洞卷积就是扩张、膨胀之意。卷积核的大小，通常就意味 着感受野的大小，卷积核越大，感受野就越大，但是相应的计算量也会成倍地增加。
在WGAN 出现之前，如何解决Loss=0 的梯度消失问题呢?可以在真实图片和生成 图片上增加噪声，以试图增加两个分布的宽度，来让他们产生重叠。这里举一个极端的例 子，假设两个图片都加上百分之百的服从正态分布的噪声，那么这张图片不管原来如何，现在一定服从同一个分布。通过增加噪声，来强行拉近Pdata和Pg 的距离。然后随着训练的 进行，增加的正态分布的噪声的方差逐渐减小，以至于最后去掉噪声，这也是退火算法的一 种体现。这个方法仅仅解决了判别器过强导致的梯度消失问题，梯度不稳定和多样性问题依旧 没有办法解决，而这两个问题是由于KL 和 JS距离的性质导致的，所以WGAN 提出的办法 就是使用Wasserstein 距离代替JS 散度，实现质的优化。
那么如果想把GAN 改成WGAN, 那么如何操作呢?主要有4个部分：
(1)修改判别器D 的 Loss函数；
(2)修改生成器G 的 Loss函数；
(3)去掉判别器D 的最后一个Sigmoid 层；
(4)增加Weight Clipping。
太大了，会造成梯度爆炸问题，太小 了，会造成梯度消失问题。GP 项是对每一个样本都进行独立的梯度惩罚，因此需要保证每一个样本的独立性，所 以在模型中不能使用BN, 因为BN 层会让同一个 Batch 的不同样本之间产生关系。
VAE-GAN
(1)VAE 缺点：生成图像比GAN 模糊。
(2)GAN 缺点：模型坍塌 mode collapse和梯度消失。
生成器G 的 Loss 函数包含3个部分：
(1)生成图像应该更接近原始图像，而且生成的 mean 和logstd也应该满足标准分布；
(2)生成图像应该可以被Classifier 判断出对应的类别；
(3)生成图像应该可以被判别器D 判断成是真实的图像。