当生成器和判别器的样本分布不重叠时，GAN算法的损失函数使用了JS散度的梯度始终为 0，从而导致 GAN 的训练失败

A.生成器要最小化判别模型D的判别准确率，而判别器要尽量最大化真假分类准确率

B.训练GAN要达到生成器和判别器的博弈平衡，因此GAN的代价函数需要综合考虑两者的性能

C.通过交替训练判别器和生成器，不断提高两者的性能，使两者的性能达到某个平衡点

D.一般来说，GAN通过训练总能达到代价函数的极小值

A.无法训练成功

B.代价函数设计不合理（例如使用了KL散度）会出现训练不稳定的结果

C.代价函数设计合理（例如使用了EM距离）可能稳定训练

D.出现了训练成功的算法（例如WGAN）

A.代价函数设计不合理（例如使用了KL散度）会出现训练不稳定的结果。

B.代价函数设计合理（例如使用了EM距离）可能稳定训练。

C.出现了训练成功的算法（例如WGAN）。

D.无法训练成功。

A.生成器产生的样本种类单一，仅仅局限于真实样本的局部分布

B.生成器产生的样本难以骗过判别器

C.总代价函数对生成器和判别器参数的梯度消失

D.生成对抗网络训练缓慢，可能是生成器或判别器的结构或参数设置不当

A.生成器的任务重，减少计算量。

B.增加生成样本的多样性。

C.防止判别器在训练过程中发生梯度消失。

D.判别器的任务是分类，而不是生成假样本。

A.防止判别器在训练过程中发生梯度消失，降低鉴别器的能力

B.生成器的任务重，减少计算量

C.判别器的任务是分类，而不是生成假样本

D.增加生成样本的多样性