Wasserstein Slim GAIN with Gradient Penalty（WSGAIN-GP）介绍及代码实现——基于生成对抗网络的缺失数据填补

一、WSGAIN-GP介绍

1.1 WSGAIN-GP网络架构

WSGAIN-GP全称Wasserstein Slim GAIN with Gradient Penalty，其目的在于减少影响普通GAN以及影响WGAN的主要警告，即因权重剪裁而产生的不良行为。WSGAIN-GP的架构与WSGAIN-CP几乎相同。WSGAIN-CP的架构可以参考文章：Wasserstein Slim GAIN with Clipping Penalty（WSGAIN-CP）介绍及代码实现——基于生成对抗网络的缺失数据填补。

1.2 生成器模型（Generator）

WSGAIN-GP的生成器与WSGAIN-CP的生成器完全相同。

1.3 判别器模型（Critic）

WSGAIN-GP的判别器（C）几乎与WSGAIN-CP的判别器相同。然而，由于WSGAIN-GP旨在消除因权重剪裁而可能出现的不良行为，因此没有权重剪裁。相反，为了改进训练，判别器使用了一种称为