GAN生成对抗网络期末试题（含详细答案解析）

GAN生成对抗网络期末试题（含详细答案解析）适用范围：深度学习、生成模型、人工智能课程期末/自测考试考试时长：90分钟满分：100分说明：试题贴合本科教学重点，无超纲内容，侧重基础概念、原理辨析、损失函数理解与常见问题优化，答案解析通俗详细，适配复习复盘。一、单项选择题（每题3分，共10题，总计30分）1.经典GAN网络的核心组成结构是（）A.编码器+解码器B.生成器+判别器C.卷积层+池化层D.注意力机制+全连接层2.GAN中生成器G的核心任务是（）A.区分真实数据和生成数据B.尽可能生成接近真实分布的数据C.计算模型误差梯度D.压缩输入数据维度3.GAN中判别器D的输出值取值范围通常是（）A.[-1,1]B.[0,1]C.[0,+∞)D.(-∞,+∞)4.经典原始GAN使用的损失函数是（）A.L1损失B.交叉熵损失C.MSE均方误差损失D.Huber损失5.训练GAN时，出现模式崩溃（ModeCollapse）的典型表现是（）A.生成图片清晰度极高B.生成样本单一、多样性极差，大量重复相似结果C.判别器损失持续为0D.训练速度急剧加快6.关于GAN对抗训练机制，下列说法正确的是（）A.生成器和判别器同时最大化损失B.生成器最小化损失，判别器最大化损失C.二者训练目标完全一致D.判别器不参与梯度更新7.为解决原始GAN训练不稳定、梯度消失问题，衍生出的经典模型是（）A.CNNB.WGANC.RNND.Transformer8.DCGAN相较于原始GAN，核心改进是（）A.引入注意力机制B.用全连接层替代卷积层C.用卷积网络替代全连接网络，适配图像生成D.取消对抗训练机制9.WGAN将原始GAN的JS散度替换为（），大幅提升训练稳定性A.KL散度B.Wasserstein距离C.欧氏距离D.余弦距离10.GAN训练过程中，若判别器训练过快、过拟合，会导致的核心问题是（）A.梯度爆炸B.梯度消失，生成器无法更新参数C.模式多样性过剩D.模型收敛过快二、填空题（每空2分，共10空，总计20分）1.GAN的全称是________________________，中文名称为生成对抗网络。2.生成器的输入通常是________________，通过网络映射生成仿真数据。3.原始GAN的训练本质是一场__________博弈，最终目标是达到纳什均衡。4.DCGAN中，生成器使用__________卷积实现上采样，替代传统的反卷积，减少伪影。5.WGAN通过__________操作限制判别器参数范围，满足Lipschitz连续条件。6.衡量生成模型效果的两个核心指标：一是生成样本的__________，二是样本的多样性。7.原始GAN训练的两大核心难题是__________和模式崩溃。8.判别器的核心作用是对输入数据做__________分类，区分真实样本和生成样本。9.相比于VAE，GAN生成的样本__________更高，但训练难度更大。10.对抗训练中，常规训练策略是__________（选填“先训判别器再训生成器/二者同时训练”）。三、简答题（每题10分，共3题，总计30分）1.简要阐述经典GAN中生成器和判别器的训练关系与核心博弈逻辑。2.详细说明原始GAN存在的主要缺陷及对应的成因。3.简述WGAN的核心改进点，以及为什么该改进能解决原始GAN的训练问题。四、综合分析题（每题20分，共1题，总计20分）结合GAN训练实际场景，分析以下两个问题：（1）训练过程中出现生成图片模糊、细节缺失的原因有哪些？（10分）（2）出现模式崩溃（生成样本高度相似）的解决方案有哪些？（10分）参考答案及详细解析一、单项选择题答案及解析1.B解析：GAN的基础架构仅由生成器（G）和判别器（D）两部分组成，通过二者对抗迭代完成训练，编码器、注意力机制均不属于GAN原生结构。2.B解析：生成器的核心目标是学习真实数据的概率分布，将随机噪声转化为以假乱真的生成数据；区分真假数据是判别器的任务。3.B解析：经典判别器末端使用sigmoid激活函数，输出0-1的概率值，0代表判定为虚假数据，1代表判定为真实数据。4.B解析：原始GAN基于二分类任务设计，采用二元交叉熵损失，通过真假样本的分类误差驱动网络更新。5.B解析：模式崩溃是GAN最常见问题，核心特征是生成器仅能生成有限几种相似样本，丢失数据分布的多样性。6.B解析：GAN是极小极大博弈：判别器最大化真假数据的分类准确率，生成器最小化自己被判别器识破的概率。7.B解析：WGAN是针对原始GAN训练不稳定、梯度消失问题的经典改进模型，大幅降低训练难度。CNN、RNN、Transformer均非GAN衍生模型。8.C解析：DCGAN（深度卷积GAN）的核心优化是引入卷积神经网络，替代原始GAN的全连接层，适配二维图像数据的生成任务。9.B解析：原始GAN依赖JS散度衡量分布差异，存在梯度消失问题；WGAN改用Wasserstein距离（推土机距离），梯度连续稳定。10.B解析：若判别器训练过于优秀，能百分百区分真假样本，交叉熵损失趋近于0，梯度消失，生成器无法获取有效梯度更新参数，彻底停止学习。二、填空题答案及解析1.GenerativeAdversarialNetwork2.随机高斯噪声（随机向量）解析：生成器以低维随机噪声为输入，通过网络升维、特征映射，输出高维真实数据（如图像）。3.极小极大（零和）解析：GAN属于零和博弈，判别器的收益就是生成器的损失，最终迭代至二者平衡。4.转置（分数步）5.权重裁剪（权值截断）解析：WGAN通过限制判别器所有权重的取值范围，强制满足Lipschitz连续条件，保证梯度有效。6.真实性（清晰度/逼真度）7.训练不稳定（梯度消失/梯度爆炸）8.二分类9.清晰度（真实感）解析：VAE生成样本更模糊但训练稳定，GAN生成样本细节更真实、清晰度更高，但训练难度大。10.先训判别器再训生成器解析：常规训练策略为交替训练，优先训练判别器保证分类能力，再更新生成器，避免生成器无效训练。三、简答题详细答案1.经典GAN生成器与判别器的训练关系与博弈逻辑GAN的核心是生成器与判别器的对抗式极小极大博弈，二者相互制约、共同迭代优化，具体逻辑如下：（1）判别器训练目标：精准区分输入数据来源，对真实样本输出高概率（接近1），对生成样本输出低概率（接近0），最大化自身分类准确率。（2）生成器训练目标：迷惑判别器，让自己生成的虚假样本被判别器判定为真实样本，最大化生成样本的判别概率，最小化自身生成损失。（3）博弈关系：二者能力动态制衡。初始阶段判别器分辨能力弱，生成器快速学习；随着判别器精度提升，倒逼生成器优化生成效果；最终达到纳什均衡，判别器无法区分真假样本，输出概率稳定在0.5，生成样本分布与真实数据分布完全对齐。2.原始GAN的主要缺陷及成因原始GAN主要存在两大核心缺陷，均源于JS散度的局限性和对抗训练的不稳定性：（1）训练不稳定、梯度消失严重成因：当真实数据分布和生成数据分布几乎无重叠时，JS散度为固定常数，梯度为0，网络无法更新；且判别器一旦训练过拟合，会直接导致生成器梯度消失，停止学习。（2）易出现模式崩溃成因：生成器为了最小化损失，会优先生成判别器最容易认可的少数样本，放弃学习完整的数据分布，最终生成样本单一、缺乏多样性。（3）超参数敏感：学习率、迭代次数、网络初始化轻微改动，就会导致训练失败，鲁棒性极差。3.WGAN的核心改进及原理WGAN针对原始GAN的致命问题做了根本性优化，核心改进有两点：（1）替换距离度量方式：舍弃原始GAN的JS散度，改用Wasserstein距离（推土机距离）衡量真实分布与生成分布的差异。Wasserstein距离在两个分布无重叠时仍能输出有效梯度，彻底解决梯度消失问题，训练全程梯度连续稳定。（2）约束判别器参数：通过权重裁剪强制判别器满足Lipschitz连续条件，保证距离度量的有效性，避免梯度爆炸。额外优化：移除sigmoid激活函数、取消对数损失，简化损失函数，进一步提升训练稳定性。同时WGAN的损失值可以直观反映生成效果，可作为训练指标监控模型收敛状态。四、综合分析题详细答案（1）生成图片模糊、细节缺失的核心原因①判别器能力不足：判别器分辨精度过低，无法捕捉图像细节差异，无法有效倒逼生成器学习纹理、边缘等细节特征，生成器只需生成大致轮廓即可骗过判别器。②训练迭代不充分：模型未收敛，生成器尚未学习到真实数据的高频细节特征，仅拟合了基础数据分布。③网络结构缺陷：生成器网络层数过浅、参数量不足，或上采样方式不合理，无法还原图像细节。④损失函数缺陷：原始GAN的交叉熵损失更关注整体分布匹配，对局部细节误差不敏感，容易生成平滑模糊的结果。⑤超参数设置不当：学习率过大导致训练震荡，无法收敛到最优状态，细节拟合效果差。（2）模式崩溃的有效解决方案①改用稳定的GAN变体：使用WGAN、WGAN-GP等改进模型，通过优化距离度量，引导