WGAN论文地址：[1701.07875] Wasserstein GAN (arxiv.org)
WGAN解决的问题
原始GAN训练过程中经常遇到的问题：
- 模式崩溃，生成器生成非常窄的分布，仅覆盖数据分 布中的单一模式。 模式崩溃的含义是生成器只能生成非常相似的样本（例如 ，MNIST中的单个数字），即生成的样本不是多样的。
- 没有指标可以告诉我们收敛情况。生成器和判别器的 loss并没有告诉我们任何收敛相关信息。当然，我们可以通 过不时地查看生成器生成的数据来监控训练进度。但是， 这是一个手动过程。因此，我们需要有一个可解释的指标 可以告诉我们有关训练的进度。
一句话概括：判别器越好，生成器梯度消失越严重。
GAN网络训练的重点在于均衡生成器与判别器，若判别器太 强，loss没有再下降，生成器学习不到东西，生成图像的质量 便不会再有提升。
在最优判别器的下，我们可以把原始GAN定义的生成器loss 等价变换为最小化真实分布与生成分布之间的JS散度。 我们越训练判别器，它就越接近最优，最小化生成器的loss也 就会越近似于最小化真实分布与生成分布之间的JS散度。
关键点就在于如何评价生成图片和真实图片之间的距离
JS散度存在的问题
如果希望两个分布之间越接近它们的JS散度越小，我们通过 优化JS散度就能将生成分布拉向真实分布，最终以假乱真。 这个希望在两个分布有所重叠的时候是成立的，但是如果两 个分布完全没有重叠的部分，或者它们重叠的部分可忽略， 那它们的JS散度就一直是 log2。
在原始GAN的（近似）最优判别器下，生成器loss面临梯度 消失问题。 也面临优化目标荒谬、梯度不稳定、对多样性与准确性惩罚 不平衡导致mode collapse问题。
原始GAN问题的根源可以归结为两点，
- 等价优化的距离衡量（JS散度）不合理
- 生成器随机初始化后的生成分布很难与真实分布有不可 忽略的重叠
Wasserstein GAN（WGAN）就是希望解决上述两个问题
解决原始GAN问题的方法
解决问题的关键在于使用 Wasserstein距离 衡量两个分布之间的距离 Wasserstein距离 优越性在于： 即使两个分布没有任何重叠，也可以反应他们之间的距离。
Wasserstein距离
P和Q为两个分布：P分布为一堆土，Q分布为要移到的目标，那么要移动P达到Q，哪种距离更小呢？
最好的移动方案：
使用Wasserstein距离， 无论两个分布多远，都有梯度，都是可以更新的
WGAN设计
原始的生成对抗网络，所要优化的目标函数为：
此目标函数可以分为两部分来看： ①固定生成器 G，优化判别器 D， 则上式可以写成如下形式：
可以转化为最小化形式：
②固定判别器 D，优化生成器 G，舍去前面的常数，
相当于最小化：
我们要构建一个判别器 D，使得 D 的参数不超过某个固定的 常数，最后一层是非线性层，并且使下面式子最大化：
这是一种数学的近似，同要求梯度变化的不要太猛。那么怎么梯度更新呢？因为D有了限制，无法直接利用SGD。 这里引入一种方法：Weight clipping 就是强制令权重w 限制在c ~ -c之间。在参数更新后，如果 w>c，则令w=c， 如果w<-c，则令w=-c
WGAN的实现
WGAN与原始GAN第一种形式相比，只改了四点：
- 判别器最后一层去掉sigmoid
- 生成器和判别器的loss不取log
- 每次更新判别器的参数之后把它们的值截断到不超过一个 固定常数c
- 不要用基于动量的优化算法（包括momentum和 Adam），推荐RMSProp
WGAN本作引入了Wasserstein距离，由于它相对KL散度与JS 散度具有优越的平滑特性，理论上可以解决梯度消失问题。接 着通过数学变换将Wasserstein距离写成可求解的形式，利用 一个参数数值范围受限的判别器神经网络来较大化这个形式， 就可以近似Wasserstein距离。
WGAN既解决了训练不稳定的问题，也提供了一个可靠的训 练进程指标，而且该指标确实与生成样本的质量高度相关。
