经过一些进一步的研究和实验，我想我能够回答我自己的问题。

1.是的，这是可行的！

回答我的第一个问题的最快方法是尝试一下，我做到了。仅在一个数字（我的示例中为 3）上训练 GAN 并产生了预期的结果：

除了明显的实际示例之外，我还能够找到一些讨论 GAN 的进一步文章，其中提到建议减少训练样本中的类别以减少方差（例如，在 CIFAR-10 中，专注于青蛙或卡车，而不是两者）。因此，尽管我对此表示怀疑，但仍然很高兴确认这种方法是有效且可行的。

2. 我不确定它是否更快

我的问题的第二部分是这种方法是否更好（即更准确）和更快。

我无法确认这一点，因为 mnist 是一个非常简单的示例，并且准确性非常好，在任何一种情况下都非常快。我了解到模型拟合的速度取决于模型的复杂性和 epoch 的数量，这不会因为只关注一位数字而改变！因此，自然地覆盖所有数字比仅仅训练一个完整的模型需要更长的时间。

对于更复杂的类/图像类型，可能需要更复杂的模型和时期，并且减少方差（即只有青蛙，没有卡车）可以帮助减少计算持续时间的这两个主要驱动因素，但这不是mnist 类似图像的情况。

我能找到的唯一直接好处是单个模型的更大效用。由于明确的分离，我能够按需生成一个特定的数字（通过调用相关模型），而不是只生成一个 0-9 的随机数。