生成对抗网络的工作原理

在网上刷到一张几乎骗不出真人的头像时，很多人会好奇：背后到底有什么“隐形手”在操作？答案常常指向生成对抗网络（GAN），它把两套神经网络当成棋手，互相逼迫，最终把噪声变成逼真的图像。

基本构成：生成器与判别器

生成器（Generator）接受一个随机向量z∈ℝⁿ，通过一系列反卷积层“绘制”出一幅图片；判别器（Discriminator）则像警探，输入真实图片或生成器的产物，输出一个介于0到1之间的概率，表明这张图是真实的还是伪造的。两者的参数分别记为θ_G和θ_D，在训练时相互更新。

对抗训练的循环

• 判别器先拿到一批真实样本，计算‑log D(x)的交叉熵损失。




• 再把生成器的输出喂进去，计算‑log (1‑D(G(z)))，这一步让判别器学会辨别伪造。




• 接下来冻结判别器，更新生成器，使其最小化‑log D(G(z))，也就是让判别器误判。




• 循环往复，直至两者的损失趋于平衡，生成器的输出以假乱真。

Goodfellow等人在2014年的论文里把这套流程描述为“零和游戏”，两方的目标正好相反。实际训练中，常见的技巧包括使用批归一化（BatchNorm）防止梯度消失、加入噪声平滑判别器标签、或改用Wasserstein距离来缓解模式崩溃（Mode Collapse）。以CelebA人脸数据集为例，经过约200万次迭代后，生成器能够在几秒钟内输出一张细节丰富、光影自然的肖像。

关键技术点

除了基本的对抗损失，实践中还有两大“加速器”。一是梯度惩罚（Gradient Penalty），它约束判别器的梯度范数，保持训练过程的平滑；二是谱归一化（Spectral Normalization），直接限制判别器权重的谱范数，防止梯度爆炸。正是这些细节，让从最初的手写数字到如今的3D模型，GAN的生成能力跨越了数个数量级。

如果把GAN比作一场“画家 vs 鉴赏家”的较量，真正的惊喜往往出现在两者不经意的配合里——生成器学会了怎样在噪声中捕捉纹理，判别器则发现了哪些细节是人眼最敏感的。只要继续调教，这场对弈永远不会真正结束。