这个 Loss 还有一定的改进空间，比如 Loss Sensitive GAN（LS-GAN），还有更广义的 CLS-GAN（将 LS-GAN 和 WGAN 统一起来了），这些推广我们就不讨论了。不过这些推广都建立在 Lipschitz 约束之上，只不过微调了 Loss，也许未来会有人发现比 Lipschitz 约束更好的对 D 的约束。

10

WGAN-GP 的例子

最后，分享一个 WGAN-GP 的实现，以 MNIST为 数据集，读者可以自己改着玩：

https://github.com/bojone/gan/

训练进度显示：

关于PaperWeekly

PaperWeekly是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事AI领域，欢迎在PaperWeekly公众号后台点击「交流群」，小助手将把你带入PaperWeekly的交流群里。