如果生成器总是输出相同的图像，那么判别器很容易赢得比赛，并将生成器的输出与训练集中的随机图像区分开来：如果判别器的输入是那个图像，那么它输出“来自生成器”，否则输出“来自训练步骤”。游戏设置为使生成器因欺骗判别器而获得奖励。总是输出相同的图像不会欺骗鉴别器。

更具体地说，比如说，你在 MNIST 上训练一个 GAN 来教它画出逼真的数字。

比如说，生成器学会了画一个完美的 9，并且总是独立于噪声来绘制它。然后，鉴别器将很快学会丢弃所有 9，无论是真假还是假：最好是在真实集合的 1/10（全集合的 1/20）上关闭，从而导致 5% 的总错误，而不是猜测（50% proba）超过假九分（整个假组，整组的 1/2）导致 25% 的总错误。

因此，生成器将不得不学习绘制其他东西，也许它会尝试所有 5 或其他东西，但它必须摆脱这种模式：仅通过匹配真实集合的分布（生成每个数字的 1/10 ) 是否会阻止鉴别器快速有效地丢弃其所有产品。

我有一个（非常）简单的实现，而且，有效地，它总是从独立于噪声的情况下绘制相同的数字开始，然后，它很快就摆脱了这种模式并开始绘制多个数字。最后，它吸引了每个人的大约 1/10 :)