版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/love_image_xie/article/details/84873933
一、判别器非常强，导致loss都是0，不能引导生成器更新，所以可能生成出来的图像和真实图像差别很大，而loss仍然是0
原因1、我们是近似采样，并不能对原始数据全部采样
loss如下：
说明从两个分布采样的数据没有重合区域，但是其实两组数据之间有重合，只是判别器太强了，可以找到一条线将两组数据分开，如图所示。
图上的点是两个分布的采样数据，因为我们并不知道分布，只能对分布采样，通过采样后的数据分布近似原始分布
通过对分布采样，总能找到一条线将两组数据分开，因此我们要削弱判别器的能力，但是我们又想让判别器具有很强的能力，所以很矛盾，不知道削弱多少才合适。
原因2：数据的本质原因
因为数据本身就是一种高维空间的低维流形表现，他们之间可能重叠很少，因此，很容易导致JS divergence最大，loss为0，如下图所示。
由上图可知，初始两个数据分布差别很大，我们想通过一定的迭代使得两个分布之间差别越来越小，最后重合，但是前面的JS divergence都是log2，即loss为0，并不会更新生成器的参数，因此并不会有效地引导越来越好的过程。
二、Mode Collapse
假设原始数据会有两个峰值，但是generator会趋向于生成近似两个峰值中的一个，因此很容易会生成相同的图像，只是有可能颜色不一样罢了，如下图所示。
我们的目标是最小化KL散度，但是实际上会最小化reverse KL散度。
左图最小化KL散度，为了避免KL产生很大的值，PG会尽可能地沾满所有原始数据的分布区域，防止出现PG没有值而原始数据分布有值的情况；右图最小化Reverse KL散度，为了避免Reverse KL会出现很大的值，PG会局限于一个峰值区域，防止出现Pdata为0的地方还有PG。