一句话解释WGAN优于原始GAN

        原始GAN的最小化loss等价于最小化生成器和判别器的JS散度和KL散度，当生成器数据和判别器数据无重叠时或者重叠可忽略时，无论相距多远,JS散度都是常数log2，经公式计算最终导致梯度为0，即梯度消失，Wasserstein距离优越性在于即便两个部分没有重叠，W距离仍能够反映远近。
        一句话解释：W距离就是在最优路径规划下把生成拉向真实的最小消耗。