您的目标是在构建 GAN 时对分布进行建模，因此您需要一种能够对该分布进行采样的方法。噪音的目的是让你可以做到这一点。通常，它是从计算上易于绘制的分布中绘制的（如高斯分布）。

您正在为生成器建模$G(X)$ 在哪里$X \sim N(\mu, \sigma^2)$. 这意味着$G(X)$本身就是一个随机变量。网络的前向传递将$X$样品进入我们的$G(X)$样本，允许我们制定损失函数（通过将期望求解为抽取样本的平均值）并训练模型。

要点：注入的噪声只是我们的生成器在另一个空间中的参数化，训练目标是学习理想的变换（我们使用神经网络，因为它们是可微的并且是有效的函数逼近器）

另外，请注意您为什么不准确地学习训练数据（全部）是因为通常$G(X)$是连续的，因此如果它的共域中有 2 个图像，则在像素空间中也存在一些从一个到另一个的路径，其中包含训练中不存在的不可数（或量化可数）数量的图像，这将反映在损失上，因此在优化的最小-最大博弈中，它很难学习鼻子上的训练集。