Wasserstein GAN(WGAN)生成对抗网络 (Generative Adversarial Network, GAN) 能有效生成逼真新数据,是一种实用的生成模型。后续众多深度学习研究论文针对原始 GAN 的缺陷与局限提出了大量改进方案。我们知道,GAN 存在训练难度大、易发生模式崩溃等问题。模式崩溃是指生成器在损失函数已优化的情况下仍持续产生相同输出的现象。以MNIST手写数字数据集为例,发生模式崩溃时,由于数字 4 和 9 外形相似,生成器可能仅会输出这两类数字。Wasserstein GAN (WGAN) 通过采用 Wasser