建立和训练 GAN 的最佳实践

对于我们为此演示选择的数据集，判别器在对真实和假图像进行分类方面变得非常擅长，因此没有为生成器提供梯度方面的大量反馈。因此，我们必须通过以下最佳实践使判别器变弱：

• 判别器的学习率保持远高于生成器的学习率。
• 判别器的优化器是GradientDescent，生成器的优化器是Adam。
• 判别器具有损失正则化，而生成器则没有。
• 与生成器相比，判别器具有更少的层和更少的神经元。
• 生成器的输出是tanh，而判别器的输出是 sigmoid。
• 在 Keras 模型中，对于实际数据的标签，我们使用 0.9 而不是 1.0 的值，对于伪数据的标签，我们使用 0.1 而不是 0.0，以便在标签中引入一点噪声

欢迎您探索并尝试其他最佳实践。