在 Ubuntu 22.04 上用 GAN 做图像生成，踩坑最多的地方往往不是模型本身，而是环境、数据和训练稳定性。我最近跑通了一个 128×128 人像生成项目，从装驱动到最终让生成图像达到可用的清晰度，花了大概两周。回过头看，很多问题其实都有固定解法，比如 CUDA 和 PyTorch 版本匹配、损失函数选型、数据增强策略，以及最重要的“怎样判断训练有没有正常收敛”。这篇文章想把我在这条路上摸出来的细节和教训完整整理出来，特别是针对 Ubuntu 22.04 的配置、GAN 训练参数调整和常见故障排查，给你一套可以直接复用的实操方案。

1. 环境准备：Ubuntu 22.04 上的深度学习底座

1.1 为什么选 Ubuntu 22.04 LTS

GAN 训练对 Linux 环境的依赖程度远高于普通 Web 开发。Ubuntu 22.04 LTS 的长期支持周期、软件源更新稳定性和 NVIDIA 驱动兼容性，让它成为目前跑深度学习项目最省心的发行版之一。相比手动编译内核或者折腾依赖，Ubuntu 的 apt 体系能让你把时间花在模型调试上，而不是花在“为什么库又编译不过”。

另外 22.04 对较新硬件的支持也更好。比如 RTX 30 系、40 系显卡配合较新的 NVIDIA 驱动，可以比较顺利启用 CUDA 12.x，PyTorch 官方 wheel 包已经自带了 CUDA 运行时，不需要额外装完整版 CUDA Toolkit 就能跑起来。这对新手非常友好。

如果你手头机器比较老，用 20.04 也完全可以，但很多新库的预编译包会默认优先支持 22.04，所以新的服务器或工作站建议直接上 22.04。

1.2 驱动、CUDA 与 PyTorch 的版本匹配

环境配置里最容易翻车的点就是驱动、CUDA、cuDNN 和 PyTorch 四者版本不对齐。我建议按“先驱动，再 PyTorch，最后补 cuDNN”的顺序来处理。

第一步，安装 NVIDIA 驱动。Ubuntu 22.04 的软件源里已经包含了 NVIDIA 驱动包，最简单的方式是用 udo apt 直接装：

sudo apt update sudo apt install nvidia-driver-535

装完重启后运行nvidia-smi，应该能看到类似下面的输出，注意右上角有 “CUDA Version: 12.x”，代表当前驱动支持的 CUDA 最大版本。

第二步，安装 PyTorch。最省事的方式是直接用 pip 安装带 CUDA 支持的 wheel 包。比如 CUDA 12.1 版本：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

为什么要强调用官方 wheel 而不是pip install torch默认源？因为默认源装的是 CPU 版，你调用torch.cuda.is_available()会返回 False。这一步卡住的人很多。

第三步，验证环境。运行下面这段命令：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果都正常，环境基础就打通了。cuDNN 的话，PyTorch 官方 wheel 内部已经捆绑了适用的 cuDNN 动态库，一般情况下不需要手动安装。除非你打算自己编译扩展算子，否则可以暂时忽略。

1.3 GAN 训练的数据集准备

环境只是开始，GAN 训练的数据质量直接影响最终效果。你当然可以用 CIFAR-10 或 CelebA 这样的公开数据集试跑，但如果想生成自己的图像，建议把训练图片统一整理到一个文件夹里，用torchvision.datasets.ImageFolder直接读取。

我的做法是建一个data/train/目录，下面按类别放不同子目录，类别名称不重要，GAN 做无监督生成时用不到标签。但图片质量很关键：

• 图片不要有严重压缩痕迹，尤其是低分辨率社交媒体保存图，会强行把噪声和伪影学进去。
• 统一裁剪到正方形，再缩放到目标分辨率。比如用中心裁剪到 256×256，再 resize 到 128×128。
• 去除重复图、带水印的图、人脸几乎被遮挡的图，否则生成结果会“混入”这些特征。

数据量方面，如果是 DCGAN 练 128×128，建议至少上万张图。如果是 StyleGAN2 这类大模型，数据量越大越好，但单卡用户往往受限于显存和训练时间，2 万张图就是比较友好的起点。数据太少，很容易在第一次过拟合后就陷入模式崩溃。

2. GAN 核心原理与模型选型

2.1 生成器和判别器到底在博弈什么

GAN 的本质是让生成网络和判别网络玩一个零和博弈游戏。生成器 G 的输入是随机噪声 z，输出是假图；判别器 D 的输入是图片，输出是真伪概率。训练时，G 想骗过 D，D 想识破 G。两者不断对抗，最终达到纳什平衡——此时 G 生成的数据分布逼近真实数据分布。

这个对抗过程听起来简单，实际训练时特别容易一边倒。如果 D 太强，G 的梯度会变得很平缓，甚至消失，生成器怎么练都不变；如果 G 太强，D 被彻底骗过，loss 变成 0，同样无法提供有效反馈。所以整个优化过程不是在追求 loss 越小越好，而是在找平衡。

我习惯盯两件事：一是 D 的 loss 不要掉到接近 0，二是 G 的 loss 要平滑下降。只要这两个信号正常，训练就没有大崩盘。

2.2 DCGAN、WGAN-GP 还是 StyleGAN2

不同模型适合不同场景和硬件。在你的显卡显存有限、只想快速跑通一个生成管线时，我推荐先上 DCGAN 或 WGAN-GP，因为他们结构简单、参数量小、调参成本低。其中 WGAN-GP 额外引入了梯度惩罚，训练稳定性明显优于原始 DCGAN。

但如果追求“高质量图像”，那就绕不开 StyleGAN2。它通过风格调制和跳跃连接，能生成 1024×1024 的高清人脸图，效果是 DCGAN 完全没法比的。缺点是显存占用大、训练时间长，单张 24G 显存卡跑 256×256 也要比较长的时间。

我的建议是分两步走：先用 DCGAN 或 WGAN-GP 在较低分辨率（如 64×64）把环境、代码、数据管线跑通，再去尝试 StyleGAN2 的高分辨率版本。不要一上来就追求高清，否则光排环境问题就能劝退不少人。

2.3 损失函数选择与训练不稳定的根源

原始 GAN 用的是二进制交叉熵损失。实践下来这玩意太“脆”，判别器一旦太强，生成器梯度就消失；而 WGAN-GP 用的是 Wasserstein 距离加梯度惩罚，理论上有更平滑的梯度，训练相对稳定。

我在实验里对比过，同样环境下 WGAN-GP 的崩溃概率确实比原始 GAN 低很多。原因在于原始 GAN 的判别器输出是概率，存在“饱和区”，而 WGAN-GP 的判别器输出是一个评分，可以理解为“图像真实程度”，梯度分布更合理。

所以如果你不想花太多时间在“救不收敛”上，直接选择 WGAN-GP 或带 WGAN-GP 训练的 StyleGAN2 变体会省心很多。模型代码建议基于成熟的 PyTorch 复现仓库修改，不要自己从零造轮子。

3. 训练优化实操：让图像质量上一个台阶

3.1 数据增强与归一化细节

GAN 训练对数据预处理比分类任务更敏感。我踩过的第一个坑就是用常规的 ImageNet 归一化（mean/std 归一化）把像素值缩到 [0,1] 之间，结果生成图像灰蒙蒙一片。后来才意识到，GAN 的生成器一般都用 tanh 输出，像素范围应该在 [-1,1]，所以数据也要同步缩放到 [-1,1] 才匹配。

正确做法是：

transform = transforms.Compose([ transforms.Resize((128, 128)), transforms.RandomHorizontalFlip(), transforms.CenterCrop((128, 128)), transforms.ToTensor(), transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) ])

这里mean=0.5, std=0.5会把 0~1 的像素值转换到 -1~1 区间，正好对齐生成器的 tanh 输出。

数据增强方面，我建议只做轻度的随机翻转和随机裁剪。不要像分类网络那样用颜色抖动、旋转和 Cutout。GAN 本身就是要学数据分布，过度增强会让分布被扭曲，生成结果容易出现“诡异变形”。比如人脸训练集里如果加入水平翻转，生成的人脸画质不会受影响；但如果加了随机旋转 30°，模型就很容易把人脸画歪。

3.2 学习率、批大小与 Adam 参数调整

GAN 训练最常用的优化器是 Adam，但默认参数并不适合 GAN。PyTorch 的 Adam 默认学习率是 1e-3，beta1=0.9，直接用于 GAN 往往会导致训练震荡。业界常用设置是：

lr = 2e-4 betas = (0.5, 0.999)

为什么 beta1 要调低到 0.5？因为 beta1 控制着一阶动量（历史梯度方向）的权重，调低之后，梯度方向更新更快，能避免优化器“惯性”太大，让模型在对抗过程中反应更敏捷。这个经验值最早来自 DCGAN 论文，之后很多 GAN 实现都沿用。

批大小方面，我试过 16 和 64，视觉质量差异不大，但显存占用差距明显。如果你的显卡只有 8G 显存，跑 128×128 的 DCGAN 用批大小 32 比较合适。批大小过小会导致批归一化统计不稳定，生成图像出现闪烁斑块；过大会让训练变慢且容易造成判别器过拟合。建议在 16~64 之间调，效果最好。

3.3 使用标签平滑、梯度惩罚与谱归一化

除了调优化器参数，三种技巧能有效提升训练稳定性：

第一是标签平滑。不要用 0 和 1 作为判别器真伪标签，改用 0.1~0.2 的平滑值。例如真实图片标签用 0.9，伪造图片标签用 0.1，这样判别器的输出不会过度自信，能保持梯度持续存在。实现起来很简单：

real_labels = torch.full((batch_size,), 0.9, device=device) fake_labels = torch.full((batch_size,), 0.1, device=device)

第二是梯度惩罚。WGAN-GP 在计算判别器损失时，会对真实样本和伪造样本之间的插值样本计算梯度，并惩罚其 L2 范数偏离 1 的程度。这个操作能强制判别器满足 Lipschitz 约束，理论上是 WGAN 能稳定训练的关键。我每次训练损失里加上这一项后，模式崩溃的概率大幅降低。

第三是谱归一化。它限制每层权重矩阵的谱范数不超过 1，也能约束判别器的 Lipschitz 常数。PyTorch 里用起来非常方便：

import torch.nn as nn nn.utils.spectral_norm(conv_layer)

我个人更推荐用谱归一化 + 分层梯度惩罚的组合，比只用其中一种效果好。

3.4 训练过程监控与调参思路

GAN 训练的一个典型误区是只看 loss 数值。实际上 loss 绝对值参考意义不大，因为 D 和 G 的对抗导致它们会波动。我建议盯三个信号：

• 一是生成器输出的图片在训练早期（比如 10 个 epoch 后）应该出现明显的物体轮廓，如果整张图片还是纯噪声，说明学习率太低或模型容量不够。
• 二是判别器对真图与假图的平均输出分数，两者应该逐渐分开，但不能急速分离到 1 和 0，否则判死速度过快，生成器会崩。
• 三是每隔 1000 步保存一组生成样本图，拼成大图定期看变化趋势，肉眼比 loss 曲线更敏锐。

调参时一次只改一个变量。比如先固定学习率 2e-4 和批大小 32，把损失函数从交叉熵换成 WGAN-GP，观察是否解决模式崩溃；然后再试标签平滑，再试谱归一化。不要同时改三个，否则出了问题不知道是谁引起的。

4. 常见问题与排查技巧实录

4.1 常见故障速查表

4.2 模式崩溃的定位与修复

模式崩溃是最常见又最恼人的问题。它的典型表现是生成器输出只有两三种模板图案，像“复制粘贴”一样。我遇到过的案例中，一半归因于学习率过大，另一半归因于判别器收敛太快。

一个有效的定位方法：分别单独训练判别器和生成器，观察判别器对真图和假图的输出分数差异。如果真图分数与假图分数在 100 步内就拉开到 0.9 与 0.05，说明判别器太强，需要削弱它。削弱方法包括减少判别器卷积层数量、增加判别器权重衰减、或者单纯降低判别器的更新频率（每 2 步更新一次判别器，每 1 步更新一次生成器）。

4.3 从头训练与迁移学习的选择

如果你在公共数据集上验证了模型，但想生成完全不同的图像风格，建议用预训练模型做迁移学习，而不是从头训练。

具体做法是：加载一个预训练好的 StyleGAN2 生成器，冻结低层（保留通用图像特征），只训练高层（调整风格细节），然后在小规模自有数据集上调优。这样可以大大缩短训练时间，同时避免数据量太少导致模式崩溃。

如果没有合适的预训练模型，那就老老实实用好 WGAN-GP 加梯度惩罚，在 128×128 的小分辨率上先跑出稳定的结果，再逐步提高分辨率。我习惯把分辨率每次翻倍，同时在翻倍时把批大小减半，这样显存比较稳定，效果也最好。

4.4 影响训练速度的隐藏因素

很多人以为训练速度只取决于显卡型号，其实还有几个容易被忽略的瓶颈：

• 数据加载：图片是小文件的话，用默认 DataLoader 会有严重的 I/O 瓶颈。建议把图片提前打包成 LMDB 或使用 FFHQ 类似的 data loader，能明显提速。
• 损失计算设备：别把张量反复搬运到 CPU 再回到 GPU，例如计算 FID 时不要边训练边频繁评估，否则 GPU 会进入等待状态。
• CPU 进程数：num_workers不是越大越好，过大会导致频繁切换，建议设置为 CPU 核心数的一半，并加pin_memory=True。

我实测过一次：把num_workers从 0 换成 4，训练速度提升了接近两倍。对于长周期 GAN 训练来说，优化数据管线往往是“免费”的速度提升。

5. 一些值得坚持的实践习惯

如果你打算长期做 GAN 图像生成，我强烈建议坚持三个习惯。第一是每次实验都用固定随机种子，并且保存完整的超参配置和代码版本，否则你很难知道自己上一次“效果爆好”是怎么跑出来的。第二是定期保存权重 checkpoint，不只是保存最后一版，因为 GAN 训练中途可能出现短期质量峰值，过了这个点反而又开始崩坏。第三是养成写训练日志的习惯，记录每个 epoch 的 loss、学习率、生成样本路径、异常现象，这些信息在后续排查问题时非常宝贵。

GAN 这个东西，凭空调参非常容易让人崩溃。但只要形成了自己的固定训练流程——环境匹配、数据对齐、模型选型、损失稳定、监控调参——你会发现它其实比很多监督学习模型更可预测。希望我上面整理的这些踩坑经验和复现步骤，能帮你在 Ubuntu 22.04 上少走几天弯路，早日跑出自己满意的生成图。