Wasserstein GAN

　　WGAN論文指出，原始GAN以JS、KL散度作爲損失容易導致生成器梯度消失，他們提出了一種新的損失函數——Wasserstein 距離，很大程度上解決了GAN訓練難的問題。 原始GAN的損失函數的缺陷 　　當兩個分佈之間重疊很小，或者說，兩個分佈的概率密度同時大於0的區域在整個分佈的佔比幾乎爲0時（無窮小，但還不是0），隨着分佈之間的靠攏，用於衡量分佈之間差異的KL、JS散度幾乎沒有變化，也就

>>阅读原文<<