gan训练不收敛时判别器loss归零，主因是判别器过强、生成器过弱或预处理错误；需用bcewithlogitsloss、图像归一化至[-1,1]、判别器末层不加sigmoid、先更新判别器再更新生成器、避免convtranspose2d棋盘效应、生成器末尾用tanh、latent用正态分布并控制维度。
GAN训练不收敛，判别器loss迅速归零怎么办？
这是最常卡住新手的第一关。根本原因通常是判别器太强、生成器太弱，或者数据预处理没做对。关键不是调学习率，而是先检查输入分布和梯度流向。
-
torch.nn.BCELoss要配合torch.sigmoid输出，但更稳妥的是直接用torch.nn.BCEWithLogitsLoss（它内部融合了 sigmoid + BCE，数值更稳定） - 图像必须归一化到
[-1, 1]区间（用transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])），不是[0, 1]；否则生成器最后一层tanh的输出范围与标签不匹配 - 判别器最后一层不能加 sigmoid（如果用
BCEWithLogitsLoss），否则会双重激活，导致梯度消失 - 每轮训练中，先更新判别器（1次），再更新生成器（1次），不要反过来——生成器早于判别器更新时，它会学着骗一个还没学会分辨的“菜鸟”
DCGAN结构里，conv转置卷积总出现棋盘状伪影
这不是bug，是 nn.ConvTranspose2d 的固有缺陷：当 kernel_size 和 stride 不满足整除关系时，权重插值会产生不均匀重叠。真实项目里基本不用它。
- 改用上采样 + 普通卷积组合：
nn.Upsample(scale_factor=2)后接nn.Conv2d，能彻底消除棋盘效应 - 如果非要用
ConvTranspose2d，必须确保stride=2且kernel_size % 2 == 1（如kernel_size=4就不行，kernel_size=3或5可以） - 在生成器末尾加
nn.Tanh()，判别器末尾保持线性输出（配合BCEWithLogitsLoss）
生成图像模糊、缺乏细节，latent vector 噪声怎么加才有效？
噪声不是越“大”越好。标准正态分布 torch.randn 是起点，但实际中需要控制信息密度。
- latent vector 维度别盲目设高（比如 1024）。CIFAR-10 上 128 维通常比 512 更稳；过高维度会让生成器过拟合噪声模式而非语义结构
- 不要用
torch.rand（均匀分布）替代torch.randn（正态分布），后者更利于梯度传播和隐空间平滑性 - 可尝试在训练中对 latent 加小幅度高斯噪声（
z + 0.1 * torch.randn_like(z)），相当于数据增强，能提升泛化——但只在生成器输入端加，别污染真实样本路径
GAN 的难点不在代码长度，而在损失函数、归一化、层设计三者之间的咬合精度。差一点，就全盘静默失效；调对那几个参数和结构点，它自己就能跑起来。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
