判別器

判別器是 GAN 的「裁判」：給它看一張影像，它就判定那是真正的訓練影像，還是生成器造出的贗品。它是一個普通的影像分類器，但它真正的用途並非為分類而分類——而是為生成器製造學習訊號。每當它偵測到一個贗品，「是什麼讓這看起來像假的」之梯度就會傳回生成器，作為改進的指示。有好的判別器，才可能有好的生成器。

精確地說，判別器是一個函數 D，把影像 x 映射到 [0,1] 中的一個值，即 x 為真的估計機率；它以二元分類器的形式訓練，最大化「對真實 x 取期望值的 log D(x)」加上「對 z 取期望值的 log(1 − D(G(z)))」——也就是把 D(真) 推向 1、D(假) 推向 0。在架構上（依 DCGAN），它是一個使用 LeakyReLU 與正規化的步幅卷積 CNN，下採樣至單一 logit。對固定的生成器而言，最佳判別器為 D*(x) = p_data(x) / (p_data(x) + p_g(x))——它在每一點回報真實與生成的相對密度，而這正是生成器把 p_g 推向 p_data 所需的資訊。

兩個網路必須維持大致平衡。若判別器太強，它把 D(假) 推向 0，此時飽和的生成器損失沒有梯度、學習停滯；若太弱，它給出的訊號又缺乏資訊。讓它行為良好的技術包括：非飽和生成器損失、單邊標籤平滑（one-sided label smoothing）、頻譜正規化（限制判別器的 Lipschitz 常數），以及梯度懲罰。在 Wasserstein GAN 中，判別器被一個評論者（critic）取代，它輸出無界的實數分數（而非機率），用以估計推土機距離（Earth-Mover distance），並被約束為 1-Lipschitz。