WGAN相对与GAN的改进

WGAN（Wasserstein GAN）相对于传统GAN的改进主要体现在以下几个方面：

1. 损失函数的改变：WGAN使用Wasserstein距离（也称为Earth-Mover距离）来衡量生成器生成的样本和真实样本之间的距离，而不是传统GAN中使用的交叉熵损失函数。Wasserstein距离在一定程度上解决了传统GAN中存在的梯度消失和模式崩溃的问题。

2. 判别器的训练方式：WGAN中判别器的训练不再是简单的二分类，而是将判别器的输出视为样本属于真实样本的置信度，并通过最大化真实样本的置信度和最小化生成样本的置信度来训练判别器。

3. 权重裁剪：为了保证Wasserstein距离的连续性和可导性，WGAN中采用了权重裁剪的技术，将判别器的权重限制在一个固定的范围内，从而避免了判别器权重过大的问题。

综上所述，WGAN通过改变损失函数和训练方式，以及引入权重裁剪等技术，有效地解决了传统GAN中存在的一些问题，提高了生成器的训练稳定性和生成样本的质量。