GAN训练与进阶：从基础到前沿技术
1. GAN游戏设置总结
GAN有三种核心版本设置：极小极大（Min - Max）、非饱和（Non - saturating）和Wasserstein。
-极小极大GAN：是原始的公式化形式，更具可解释性，但在实践中效果不佳。
-非饱和GAN：损失了很多数学保证，但实际效果更好。
-Wasserstein GAN：既有理论基础，性能又普遍优越。
以下是三种GAN的损失函数总结表格：
| 名称 | 值函数 | 备注 |
| — | — | — |
| NS - GAN | (L_D^{NS}=E[\log(D(x))]+E[\log(1 - D(G(z)))])
(L_G^{NS}=E[\log(D(G(z)))]) | 是原始公式之一，通常不再用于实践，可作为基础模块或比较对象，与常见的NS - GAN等价，只是无常数项。 |
| WGAN | (L_D^{WGAN}=E[D(x)] - E[D(G(z))])
(L_G^{WGAN}=E[D(G(z))]) | 损失有所简化，似乎正在为GAN创建新范式。 |
| WGAN - GP（梯度惩罚） | (L_D^{W - GP}=E[D(x)] - E[D(G(z))]+GP_{term})
(L_G^{W - GP}=E[D(G(z))]) | 是带有梯度惩罚的GAN示例，通常显示出最佳结果。 |
总体而言，WGAN（或其梯度惩罚版本WGAN - GP）被广泛使用
