如果可以的话，让我试着把事情弄清楚一点。首先，GAN 不是专门用来生成图像的，而是用来生成各种数据的。实际上，您从中获得图形的第一篇论文并不是指图像。

在图中，您给出了 3 条曲线：

• 黑点。这些是您的训练样本。如果将这些点连接起来，您可以形成一条线（即使在图中看不到，我也将其称为黑线）。这是数据生成分布，它是您的数据采样的理论分布。$x$$p_x$
• 绿线。这是您的生成器已学习的分布。在训练判别器时，您需要真假样本。真实的是黑点，而假的是从绿色分布中采样的。$p_g$
• 蓝线。这是鉴别器的输出，即图像被分类为真假的概率。

黑色的水平线也显示了我们可以绘制样本的范围，而黑色的水平线显示了与潜在变量相同的东西。绘制时，这些将遵循它们各自的分布（黑线和绿线）。 $x$$x$$z$$z$

现在来看每个数字告诉我们的内容：

• 第一个图(a)显示了分布在训练之前的样子。生成器不产生真实的样本（即绿线离黑线很远），判别器不知道如何正确判别（即蓝线波动很大）。

• 第二个图（b）是已经学会区分两种类型的样本（即真假）的点。蓝线现在类似于 sigmoid。这是必要的，以便可以对其样本的公平性有准确的反馈。$D$$G$

• 第三个图（c）是开始学习如何生成真实样本的时候。请注意绿线现在如何更接近黑线。尽管也很好（蓝线与两个分布之间距离的一半对齐），但现在它的工作要困难得多。$G$$D$

• 第四个图（d）是训练结束时。现在可以生成完全真实的样本（即绿线和黑线是一个）。因为这个不能再区分了，所以它随机预测图像是真的还是假的（即处处）$G$$D$$P(D) = 1/2$