GAN（Generative Adversarial Network，生成对抗网络）是深度学习里一个看起来简单、实际上门道极多的模型家族。它在 2014 年由 Ian Goodfellow 等人提出，核心思想是让两个网络互相博弈：一个负责伪造数据，一个负责辨别真伪，最终逼着伪造者生成以假乱真的样本。这篇文章对应课程笔记中第 9.1.0 节“什么是 GAN”，我会把它展开成一份可以照着读、照着写、照着排查的学习笔记，重点讲清楚 GAN 的原理、最小实现、训练观察方法和常见坑。

如果你是刚学完神经网络基础、正准备接触生成模型的读者，这篇文章可以直接收藏。我会先给出一张概念速览表，再用 PyTorch 写一个能在 MNIST 上跑通的最小 GAN，然后解释训练过程中最容易出现的模式崩塌、判别器过强、损失不收敛等问题怎么排查。硬件门槛不高，CPU 也能跑通 MNIST 实验，有 NVIDIA GPU 训练速度会更快，显存需求以实际模型和 batch size 为准，不需要也不会在这里编造具体数字。

1. GAN 核心概念速览

在深入代码之前，先把 GAN 涉及的几个关键概念说清楚。这部分内容是整个 GAN 学习路径的地基，后面所有章节都会反复用到这些术语。

需要特别强调的是，GAN 不是单一模型，而是“一个生成器 + 一个判别器”的整体框架。生成器想骗过判别器，判别器想识破生成器，这个博弈过程让两个网络同步进化。最终理想状态下，判别器无法区分真实样本和生成样本，生成器输出的分布就逼近了真实数据分布。

从更广义的深度学习视角看，GAN 属于生成模型的一种，它的工作方式和自编码器、变分自编码器、扩散模型都不同。GAN 不直接优化数据似然，而是通过一个辅助网络隐式地学习数据分布。这个思路在 2014 年刚提出时被认为非常反直觉，因为之前的主流生成模型都依赖显式的概率建模。理解了这一点，你就抓住了 GAN 的本质：用对抗游戏替代显式密度估计。

2. GAN 的适用场景与使用边界

很多初学者学 GAN 时会陷入一个误区：只看公式和理论，不关注它实际能解决什么问题。这里先把适用场景和使用边界划清楚，避免你学完之后不知道这东西能用来干嘛。

GAN 的主要适用场景包括四类。第一是图像生成，这是最经典的应用方向，比如生成人脸、动漫头像、风景图片、超分辨率重建，不少图像修复任务早期用的也是 GAN 思路；第二是数据增强，当某个类别训练样本不足时，可以用 GAN 生成额外样本补充分类器或目标检测器的训练集；第三是风格迁移与图像编辑，CycleGAN 可以把照片变成油画风格，StarGAN 可以改变人脸属性；第四是异常检测和半监督学习，利用判别器对真实分布和异常样本的区分能力，可以在工业质检、金融风控场景中筛查小概率异常。从热词里的“gan图像修复”也能看出，图像修复是 GAN 落地比较多的领域。

同样重要的是使用边界。GAN 不太适合对稳定性要求极高的生产环境，因为它训练不稳定，收敛状态难以精确控制；小数据集也不适合直接上 GAN，模型容量大了很容易过拟合，模型容量小了又学不到细节；如果只是做图像生成，并且对生成质量要求非常高，当前阶段扩散模型往往是更优选择。换句话说，GAN 适合做研究学习、数据增强、风格迁移和快速原型验证，但不适合零成本白嫖高质量生成效果。

这里有两条合规红线必须说清楚。训练数据如果来自开源数据集或网络图片，要确认数据集的使用许可，商业项目尤其要注意版权授权；生成人脸、声音、证件类内容时必须取得被生成对象授权，不得用于伪造、诈骗、诽谤等非法用途。GAN 只是工具，生成内容的使用责任在开发者自己。

3. GAN 原理拆解

3.1 生成器与判别器的对抗关系

用一个容易理解的类比：生成器像造假币的团伙，判别器像验钞机。造假团伙的目标是造出验钞机认不出来的假币，验钞机的目标是找出所有假币。双方不断升级手段，最终假币无限接近真币，验钞机的识别能力也无限接近完美。把“假币”替换成“假图片”，把“验钞机”替换成“二分类神经网络”，就是 GAN 的基本结构。

生成器 G 接收一个随机向量 z，输出一张图片 G(z)。随机向量 z 通常从标准正态分布或均匀分布中采样，维度一般是 64 到 512 不等。这个低维向量可以看作是生成过程的“压缩指令”，不同位置的维度对应不同视觉特征，比如形状、朝向、背景、颜色。训练完成后，任意采样一个 z 都能生成一张新图，z 空间还被发现具有线性语义：在 z 空间沿某个方向移动，生成图像的某些属性会连续变化。

判别器 D 是一个二分类网络，输入是一张图片，输出一个 0 到 1 之间的概率。输出接近 1 表示判断为真实图片，接近 0 表示判断为生成图片。训练开始时，生成器输出的图片基本是纯噪声，判别器很容易识别出来。随着对抗训练推进，生成器逐步学会产生有结构、有内容的图片，判别器也不得不提取更精细的特征来区分真假。

3.2 对抗训练的目标函数

GAN 的目标函数是一个极小极大博弈，写成标准形式是：

min_G max_D V(D, G) = E_x[log D(x)] + E_z[log(1 - D(G(z)))]

这个公式不需要死记，理解每一部分就行。第一项 E_x[log D(x)] 表示对真实图片，判别器输出要尽量接近 1，所以 log D(x) 要尽量大；第二项 E_z[log(1 - D(G(z)))] 表示对生成图片，判别器输出要尽量接近 0，也就是 1 - D(G(z)) 尽量接近 1。判别器 D 把两项一起最大化，整体接近 0 时说明判别能力最强；生成器 G 把第二项最小化，也就是想办法让 D(G(z)) 接近 1，让判别器认为假图也是真图。

实际训练时不会同时对两个网络做梯度下降，而是交替更新。每个 batch 先冻结生成器训练判别器，再冻结判别器训练生成器。这样做的原因是对抗优化不稳定，同时更新很容易震荡。梯度交替更新虽然增加了训练时间，但能显著提升稳定性。

具体训练步骤可以拆成五步：

1. 从训练集采样一批真实图片 x。
2. 从正态分布采样一批随机向量 z，让生成器生成一批假图 G(z)。
3. 用真实图片和假图片训练判别器：真实图片目标为 1，假图片目标为 0。
4. 再采样一批随机向量 z，生成新假图，训练生成器：试图让判别器对假图输出 1。
5. 重复步骤 1 到 4，直到生成图片质量满足要求。

3.3 训练何时收敛

理论上，当判别器无法区分真实图片和生成图片，即对任何输入都输出 0.5 时，GAN 达到纳什均衡。此时生成器已经学习到了真实数据分布。实际中很少能达到完美的 0.5，更常见的情况是损失曲线在某个区间小幅波动，生成图片质量稳定在可接受范围。

有一点容易误解：不能单看生成器 loss 来评估效果。生成器 loss 下降说明它在一段时间内骗过了当前判别器，但如果判别器也同步变强，生成器 loss 可能长期不降。因此判断 GAN 是否训练成功，最可靠的方法是直接看生成图片的视觉效果，其次才是看损失曲线。

4. GAN 环境准备与最小实现

4.1 环境准备

这里给一个通用检查清单，具体版本按自己的环境调整：

• 操作系统：Windows、Linux、macOS 均可，Linux 下训练最稳定。
• Python：3 即可，推荐 3.8 以上版本。
• 深度学习框架：PyTorch，安装方式参考官方命令，CPU 版也可以完成 MNIST 实验。
• NVIDIA GPU：可选，有 CUDA 环境训练会快很多。
• 磁盘空间：MNIST 数据集下载下来约几十 MB，模型文件更小，总量控制在 2GB 以内足够。

确认 PyTorch 安装成功的命令：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

如果输出中torch.cuda.is_available()为True，说明 GPU 可用；为False也没关系，MNIST 手写数字生成用 CPU 也能跑，只是慢一些。

4.2 项目结构与完整训练代码

下面给出一个最小 GAN 训练脚本，使用 PyTorch 在 MNIST 上训练。生成器用三层全连接网络，判别器也用三层全连接网络。这个结构不是最优的，但是最容易理解、最不容易出 bug 的版本。建议先跑通这份代码，再逐步改成 DCGAN、WGAN 或 StyleGAN。

import os import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms latent_dim = 100 batch_size = 64 epochs = 50 lr = 0.0002 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") os.makedirs("gan_outputs", exist_ok=True) transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]) ]) dataset = datasets.MNIST(root="./data", train=True, transform=transform, download=True) dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True) class Generator(nn.Module): def __init__(self): super().__init__() self.model = nn.Sequential( nn.Linear(latent_dim, 256), nn.ReLU(True), nn.Linear(256, 512), nn.ReLU(True), nn.Linear(512, 1024), nn.ReLU(True), nn.Linear(1024, 28 * 28), nn.Tanh() ) def forward(self, z): img = self.model(z) return img.view(-1, 1, 28, 28) class Discriminator(nn.Module): def __init__(self): super().__init__() self.model = nn.Sequential( nn.Linear(28 * 28, 1024), nn.LeakyReLU(0.2, inplace=True), nn.Linear(1024, 512), nn.LeakyReLU(0.2, inplace=True), nn.Linear(512, 256), nn.LeakyReLU(0.2, inplace=True), nn.Linear(256, 1), nn.Sigmoid() ) def forward(self, img): x = img.view(img.size(0), -1) return self.model(x) generator = Generator().to(device) discriminator = Discriminator().to(device) g_optim = optim.Adam(generator.parameters(), lr=lr, betas=(0.5, 0.999)) d_optim = optim.Adam(discriminator.parameters(), lr=lr, betas=(0.5, 0.999)) criterion = nn.BCELoss() for epoch in range(epochs): for i, (imgs, _) in enumerate(dataloader): real_imgs = imgs.to(device) cur_batch = real_imgs.size(0) real_label = torch.ones(cur_batch, 1, device=device) fake_label = torch.zeros(cur_batch, 1, device=device) # 训练判别器 discriminator.zero_grad() real_pred = discriminator(real_imgs) d_real_loss = criterion(real_pred, real_label) z = torch.randn(cur_batch, latent_dim, device=device) fake_imgs = generator(z) fake_pred = discriminator(fake_imgs.detach()) d_fake_loss = criterion(fake_pred, fake_label) d_loss = d_real_loss + d_fake_loss d_loss.backward() d_optim.step() # 训练生成器 generator.zero_grad() fake_pred = discriminator(fake_imgs) g_loss = criterion(fake_pred, real_label) g_loss.backward() g_optim.step() if epoch % 10 == 0: print(f"Epoch {epoch}: D_loss={d_loss.item():.4f}, G_loss={g_loss.item():.4f}") torch.save(generator.state_dict(), f"gan_outputs/generator_{epoch}.pth")

这份代码可以直接保存为gan_mnist.py运行。需要说明的是，训练判别器时生成的fake_imgs在判别器反向传播之后要继续用于生成器训练，代码里用fake_imgs.detach()切断了判别器反向传播中指向生成器的梯度，避免在更新判别器时把梯度传回生成器；生成器训练时重新使用fake_imgs更新生成器参数，这个写法是 GAN 训练的标准做法，能减少一些初学者容易搞混的重复生成问题。

4.3 运行方式与预期输出

在项目目录下执行：

python gan_mnist.py

如果没有报错，意味着数据下载完成、模型初始化成功、训练循环正常推进。每 10 个 epoch 会输出一行损失值，并保存一个生成器权重文件。50 个 epoch 跑完后，gan_outputs目录下会有generator_0.pth、generator_10.pth、generator_20.pth、generator_30.pth、generator_40.pth五个权重文件。如果想更快看到图片效果，可以每 5 个 epoch 保存一次，或者训练结束后额外写一个可视化脚本，把固定噪声向量批量送入生成器，用torchvision.utils.save_image保存成一张图片。

一个值得养成的习惯是固定一个测试噪声向量集合，训练过程中用同一个 z 集合反复生成图片，这样可以直接观察生成效果随 epoch 的演变。如果没有固定向量，每次保存的图片对比起来没有对应关系，很难判断模型有没有真的变好。

5. GAN 功能验证与效果判断

5.1 判断训练效果的核心指标

GAN 没有单一的验证指标，最可靠的是“人眼观察 + 损失曲线 + 多样性检查”三者结合。损失曲线方面，判别器 loss 应该在一个合理区间波动，既不能一直趋近 0，也不能长期不下降；生成器 loss 会呈现阶梯式下降的特征，也就是每过几个 epoch 突然进步一次，这是正常的。

图片效果方面，训练前期生成的图片应该是带有笔触感的噪声团块。大约训练到 20 到 30 个 epoch 时，图中会出现隐约的数字轮廓。到 50 个 epoch 时，应该能看到清晰的 0 到 9 手写数字，但边缘可能不够干净。如果你运行 50 个 epoch 后还在输出类似雪花噪点的图片，优先检查 batch size 和学习率，并确认数据是否经过了transforms.Normalize([0.5], [0.5])处理，因为生成器最后用了Tanh，输入数据需要在 [-1, 1] 区间。

多样性检查同样重要。让生成器一次生成 64 张图，如果 64 张图长得几乎一样，只有 1 到 2 种数字，就说明出现了模式崩塌。这种情况下需要降低判别器能力或调整学习率。

5.2 输出可视化脚本

训练结束后运行下面的可视化脚本，加载最新生成器权重，用固定噪声生成一张对比图：

import torch import torchvision.utils as vutils from torchvision import transforms from PIL import Image device = torch.device("cuda" if torch.cuda.is_available() else "cpu") fixed_noise = torch.randn(64, 100, device=device) # 注意：这里的 Generator 类需要从训练脚本中复制进来 loaded_gen = Generator().to(device) loaded_gen.load_state_dict(torch.load("./gan_outputs/generator_40.pth", map_location=device)) loaded_gen.eval() with torch.no_grad(): fake = loaded_gen(fixed_noise) grid = vutils.make_grid(fake, nrow=8, normalize=True, value_range=(-1, 1)) grid = transforms.ToPILImage()(grid.cpu()) grid.save("gan_result.png") print("Saved gan_result.png")

扩展一下：如果想生成单张大图保存，可以用循环把不同 z 向量输入生成器并拼接；如果想对比不同 epoch 的效果，可以对每个权重文件重复上面的生成过程，并给输出文件名加上 epoch 标记。这种方式不需要额外部署 TensorBoard，适合快速验证。

5.3 CPU 与 GPU 训练观察

MNIST 这种低分辨率数据，CPU 完全能跑，但每轮速度取决于 CPU 核心数和 PyTorch 的线程调度。有 GPU 时训练速度通常会明显提升，但要求不高。训练 REC 更应该关注的不是训练速度，而是 batch size 对显存的影响：增大 batch size 会让判别器和生成器一次处理更多图片，显存占用上升；显存有限时优先降低 batch size，或者把图片缩放到更小的分辨率。实际显存占用多少受模型结构、batch size、图片分辨率共同影响，需要以你的运行环境为准，不要死记网上别人的数字。

6. GAN 训练常见问题与排查方法

GAN 训练不稳定是出了名的，实际跑起来会遇到的问题很多，这里整理成一个排查表。这张表不仅适用于上面这份最小实现，也适用于后续扩展的 DCGAN、WGAN 等结构。

排查时的总原则是：先确认代码能跑通，再观察损失和生成图，最后调网络结构和超参数。不要一上来就乱改网络结构，否则问题定位会变得很困难。

7. GAN 最佳实践与使用建议

7.1 超参数设置与训练策略

第一次跑 GAN 实验建议固定这样一套最小配置：Adam 优化器，学习率 0.0002，batch size 64，隐向量维度 100，不使用标签平滑。这套配置在 MNIST 上容易得到可观察的结果。跑通之后再调整任意一个变量，观察它对损失和生成质量的影响。

稳定训练的三个实用技巧值得记住。第一是标签平滑，把真实样本的标签从 1 改成 0.9，可以防止判别器过于自信从而传递过于极端的梯度。第二是给判别器加梯度惩罚或谱归一化，这是 WGAN-GP 的核心思路，能从理论上缓解训练不稳定。第三是使用较大的 batch size，有研究表明较大的批量在对抗训练中能提供更稳定的梯度估计。这些技巧可以分别实验，不要全部叠加，否则无法判断是哪个改动带来的效果。

7.2 数据版权与生成内容合规

无论是用公开数据集还是自采数据训练 GAN，都要在项目文档中记录数据来源和许可协议。如果数据来自互联网，确认平台条款是否允许用于模型训练；如果数据涉及人物肖像，必须获得本人授权。生成内容发布到公开平台时，最好在元信息中标注“AI 生成”，尤其是人脸和语音相关内容。商业部署前还要考虑内容审核机制，避免生成内容被用于欺诈或造假。合规不是附加项，而是模型落地的必要条件。

7.3 工程化扩展方向

学习阶段跑通最小 GAN 之后，可以按难度顺序往三个方向扩展。第一个方向是结构改进，从全连接网络换成卷积结构，变成 DCGAN，图片质量会明显提升。第二个方向是损失改进，把二分类交叉熵换成 WGAN 的 Wasserstein 距离或 WGAN-GP，训练稳定性会显著提高。第三个方向是条件生成，给生成器和判别器都输入标签信息，做成 Conditional GAN，这样你可以控制生成数字的种类。

再往后，如果希望把训练好的生成器部署成服务，需要把模型导出为 ONNX 或 TensorRT 格式，再封装成 HTTP 接口。部署环节有几个通用做法：验证 ONNX 导出的输出是否和 PyTorch 原模型一致；接口层需要限制请求频率和输入大小，防止被恶意调用；批量生成时建议在服务层做队列管理，逐批处理而不是一次性生成大量图片。具体接口路径和请求格式需要按你的实际项目设计和验证，这里不给虚构的示例。

8. 总结与下一步

如果只想记住 GAN 最核心的三点，那么第一点是 GAN 由生成器和判别器组成，两者通过对抗博弈共同进步；第二点是它的训练目标是一个极小极大问题，实际训练采用交替更新的方式；第三点是 GAN 的难点不在理解概念，而在稳定训练，模式崩塌和不收敛是最常见的两个问题。

这篇文章给出了一个最小可运行的 MNIST GAN 项目，从环境准备、代码实现到效果验证和问题排查全部覆盖。建议你实际操作时先把 50 个 epoch 完整跑完，保存中间权重，然后逐个观察生成效果的变化。最容易踩的坑是拿生成器 loss 或判别器 loss 单独判断训练好坏，正确做法是结合生成图片的多样性、清晰度和损失曲线整体判断。

下一步可以沿三条线继续深入：一是学习 DCGAN 和 WGAN 的改进细节，理解为什么卷积结构和梯度惩罚能让训练更稳定；二是尝试把 GAN 用在风格迁移或图像修复任务中，体验真实场景下的数据需求；三是对比 GAN 和扩散模型的生成效果差异，这会帮助你理解不同生成模型的适用边界。GAN 是深度学习中值得花时间攻克的经典方向，先把这一节基础吃透，后面的路会顺很多。