我正在与Wasserstein GAN一起进行一个项目，更具体地说是与Wasserstein GAN的改进版本的实现一起工作。关于wGAN的稳定性和培训过程，我有两个理论问题。首先，众所周知，损失函数的结果与生成的样本(that is stated here)的结果的质量相关。是否有一些额外的书目支持该论点？
其次，在实验阶段，我注意到使用wGAN训练我的体系结构比使用简单版本的GAN快得多。这是常见的行为吗？是否还有一些对此的文献分析？
此外，关于使用Wasserstein损失保证的连续函数的一个问题。我在实践中理解此概念时遇到一些问题，这意味着正常的GAN丢失不是连续功能吗？
您现在可以检查Inception Score和Frechet Inception Distance。还有here。问题在于，GAN没有统一的目标函数(有两个网络)，没有一致的评估和比较GAN模型的方法。取而代之的是，人们设计了与图像分布和生成器分布相关的度量。 wGAN的速度可能更快，因为它具有比 Vanilla GAN(Wasserstein指标，权重裁剪和梯度惩罚(如果使用的话))更稳定的训练程序。我不知道是否有关于速度的文献分析，对于WGAN而言，并非总是比简单的GAN更快。 WGAN找不到像GAN这样的最佳纳什均衡。 考虑两个分布:p和q。如果这些分布重叠，即它们的域重叠，则KL或JS散度是可区分的。当p和q不重叠时会出现问题。像在WGAN纸示例中一样，在2D空间上说两个pdf，即V =(0，Z)，Q =(K，Z)，其中K不同于0，Z是从均匀分布中采样的。如果您尝试很好地获取这两个pdf的KL/JS散度的导数，则不能。这是因为这两个差异将是一个二进制指示符函数(相等或不相等)，并且我们不能采用这些函数的导数。但是，如果我们使用Wasserstein损失或地球移动距离，则可以采用它，因为我们将其近似为空间上两点之间的距离。 简介:如果分布有重叠，则正常GAN损失函数是连续的，否则是离散的。
希望这可以帮助