经过几次尝试，我训练了一个 GAN 来产生半感知输出。在这个模型中，它几乎立即找到了解决方案并卡在了那里。判别器和生成器的损失都是 0.68（我使用了 BCE 损失），两者的准确率都达到了 50% 左右。生成器的输出乍一看还不错，可以作为真实数据，但经过分析，我发现它仍然不是很好。

我的解决方案是增加鉴别器的能力（增加它的大小）并重新训练。我希望通过扩大它来迫使生成器创建更好的样本。我得到以下输出。

似乎随着 GAN 损失的增加，并产生更差的样本，鉴别器可以更容易地挑选出来。

当我检查经过训练的生成器的输出时，我发现它遵循真实数据遵循的一些基本规则，但再次经过仔细审查，它们未能通过真实数据将通过的更复杂的测试。

我的问题是：

• 我对情节的上述解释是否正确？
• 对于这次运行，我是否使鉴别器变得强大？我应该增加发电机的功率吗？
• 我应该研究另一种技术来阻止这种形式的模式崩溃吗？

谢谢

编辑：我使用的架构是 Graph GAN 的一种形式。生成器只是一系列线性层。鉴别器是 3 个 Graph Conv Layers，然后是一些线性层。与本文略有相似。我正在做的两件可能非常规的事情：

• 没有批量标准化，我发现这对训练有非常负面的影响。虽然我可以尝试并坚持下去。
• 我正在使用 StandardScaler 来缩放我的数据。做出此选择是因为它可以轻松地让您取消缩放数据。这很有用，因为我可以获取生成器的输出并轻松将其转换为原始比例。但是，StandardScaler 不会在 1 和 -1 之间进行缩放，所以我不能使用 tanh 作为生成器的最终激活函数，而是生成器的最后一层只是线性的。

GAN 的输出（一旦重新缩放并且形状已经改变）类似于：

[[ 46.09169   -25.462175   20.705683  -31.696495 ]
 [ 35.10637   -18.956036   15.20579   -24.803787 ]
 [ 10.253135   -5.759581    5.9068713  -6.3003526]]

一个真实的例子是：

[[ 45.6         30.294546   -17.218746   -29.41284   ]
 [  1.8186008    1.7064333    0.5984112    0.19312467]
 [ 44.31433     28.234058   -17.615921   -29.262213  ]]

值得注意的是，矩阵左上角的值将始终为 45.6。我的生成器甚至不能始终如一地产生这个。