训练 GAN 只是部分无监督的任务，恕我直言。对于生成器，它当然是无监督的，但它对对抗网络是有监督的。因此，测试 Disciminator 在它从未见过的新数据上区分真假案例的能力可能会很有用。

换句话说，如果您想了解判别器在从未见过的数据上泛化其任务的能力，那么将您的数据集拆分为 train(-validation)-test 是有意义的。如果这不符合您的兴趣，我想您不需要这样做。

测试拆分的目的通常是评估模型在以前未见过的数据中的性能。

虽然 GAN 生成器的可用性能指标存在问题，但它们确实存在。对于图像，您有Inception Score 和 Frechet Inception Distance。对于文本，您有质量与多样性图。

上面提到的评估措施根据真实数据评估生成样本的某些方面。为了评估 GAN 生成器的性能，您应该使用它以前从未见过的数据，即测试集。因此，为了评估 GAN，进行训练/测试拆分确实是有意义的。