WGAN 与 Wasserstein

WGAN 用 Wasserstein 距离 (推土机距离, 经 Kantorovich-Rubinstein 对偶) 度量两个分布: $W(P_r, P_g) = \sup_{\Vert f \Vert_L \le 1} \mathbb{E}_{x \sim P_r}[f(x)] - \mathbb{E}_{z \sim p_z}[f(G(z))]$, 要求判别器 (critic) $f$ 满足 1-Lipschitz 约束。原始 WGAN 用权重裁剪实现 Lipschitz, 但裁剪易破坏分布; WGAN-GP 改为在真实与生成样本的线性插值点 $\hat{x}$ 上施加梯度惩罚 $\lambda \mathbb{E}_{\hat{x} \sim P_{\hat{x}}}\left[(\Vert \nabla_{\hat{x}} D(\hat{x}) \Vert_2 - 1)^2\right]$ (默认 $\lambda = 10$)。

图像生成中替代标准 GAN 以获得稳定训练 (DCGAN 骨架 + WGAN-GP 损失); 面试必问 Wasserstein 与 JSD/KL 的对比、1-Lipschitz 约束的实现方式。

标准 GAN 的 JSD 在真实与生成分布支撑集不重叠 (训练早期常见) 时趋近常数 $\log 2$, 梯度几乎处处为 0, 生成器收不到信号; Wasserstein 距离处处连续可导, 即使分布不重叠也提供有意义的梯度, 训练更稳定, 且 loss 不再饱和、可作收敛指标。代价: 必须维护 1-Lipschitz 约束 — 权重裁剪会致梯度爆炸/消失, 梯度惩罚是更稳健的实现。

检验攻克程度：针对「WGAN 与 Wasserstein」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。