1.GAN简述
在GAN中，有两个模型，一个是生成模型，用于生成样本，一个是判别模型，用于判断样本是真还是假。但由于在GAN中，使用的JS散度去计算损失值，很容易导致梯度弥散的情况，从而无法进行梯度下降更新参数，于是在WGAN中，引入了Wasserstein Distance，使得训练变得稳定。本文中我们以服从高斯分布的数据作为样本。
2.生成器模块
这里从2维数据，最终生成2维，主要目的是为了可视化比较方便。也就是说，在生成模型中，我们输入杂乱无章的2维的数据，通过训练之后，可以生成一个赝品，这个赝品在模仿高斯分布。
3.判别器模块
判别器同样输入的是2维的数据。比如我们上面的生成器，生成了一个2维的赝品，输入判别器之后，它能够最终输出一个sigmoid转换后的结果，相当于是一个概率，从而判别，这个赝品到底能不能达到以假乱真的程度。
4.数据生成模块
由于我们使用的是高斯模型，因此，直接生成我们需要的数据即可。我们在这个模块中，生成8个服从高斯分布的数据。
5.判别器训练
由于使用JS散度去计算损失的时候，会很容易出现梯度极小，接近于0的情况，会使得梯度下降无法进行，因此计算损失的时候，使用了Wasserstein Distance，去度量两个分布之间的差异。因此我们假如了梯度惩罚的因子。
其中，梯度惩罚的模块如下：
6.生成器训练
这里的训练是紧接着判别器训练的。也就是说，在一个周期里面，先训练判别器，再训练生成器。
7.结果可视化
通过visdom可视化损失值，通过matplotlib可视化分布的预测结果。
以上就是人工智能学习PyTorch实现WGAN示例详解的详细内容，更多关于PyTorch实现WGAN的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/Swayzzu/article/details/121192285