Lil'Log（Lilian Weng 个人博客） · Lilian Weng
From GAN to WGAN
From GAN to WGAN是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需要概率分布、散度概念和微积分基础，并了解神经网络与深度学习基本训练流程。
理解 GAN 的目标函数、最优判别器与全局最优的数学推导，认识 GAN 训练难点与 WGAN 的改进思路。
Lil'Log
- 难度
- 进阶
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
浏览器直接阅读即可，无需账号。
- 练习与作业
- 开课提示词尚未实际运行验证
学完你能
- 解释 KL 散度与 JS 散度的定义、性质及区别
- 写出 GAN 的 minimax 损失函数并说明生成器与判别器各自的训练目标
- 推导给定生成器下最优判别器 D*(x) 的形式及双方最优时的损失值
- 说明 GAN 损失与 JS 散度之间的等价关系
- 列举 GAN 训练中的典型问题，如难达纳什均衡、低维支撑、梯度消失、模式崩塌和缺乏合适评价指标
- 解释 Wasserstein 距离的定义及其相对 JS/KL 散度的优势，理解用其作为 GAN 损失函数的思路
适合你吗
适合
想从数学角度弄清 GAN 为什么难训练、WGAN 为何改进的读者，适合作为生成模型方向的进阶阅读。
暂不适合
只想快速上手调包跑 GAN 代码、或需要完整实操项目与作业反馈的学习者。
需要先会
需要概率分布、散度概念和微积分基础，并了解神经网络与深度学习基本训练流程。
课程特点
- 内容侧重
- 侧重理论理解
- 练习与项目
- 文中给出指向 TensorFlow 实现仓库的链接，可自行阅读代码；网页未说明运行环境与算力要求。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费节选可直接读到全文正文与数学推导，无付费墙或登录要求。
常见问题
免费吗？
免费：节选可直接读到全文正文与数学推导，无付费墙或登录要求。实践费用待核验：网页未说明运行文中示例需要何种算力或费用。
需要什么基础？
需要概率分布、散度概念和微积分基础，并了解神经网络与深度学习基本训练流程。软件、账号与硬件：无强制账号或软件要求；文中另有一份链接指向的 TensorFlow 实现仓库，供自行尝试。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2017-08-20-gan/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。