读到这里，我发现：

如果鉴别器以太大的优势获胜，则生成器无法学习，因为鉴别器误差太小。

这也是我在其他地方读到的东西，但我无法真正理解。如果判别器的损失很低，这意味着当我给它一个假样本（带有“假”标签）时，它会给我一个低分（假设它的输出是“真实概率”），并且确定性很高，所以我可以想象误差的梯度会很小。

当我训练生成器时，我传递了相同的假图像，但带有“真实”标签。在这种情况下，我希望误差的梯度应该很高，因为我们基本上是在告诉判别器它犯了一个错误（如果判别器的损失很低，这是一个很大的错误），所以误差梯度应该很高，这个梯度将成为生成器进行训练的梯度。