因为GAN需独立交替训练生成器与判别器，而Sequential模型无法隔离双路梯度；正确做法是分别定义两个Model，用GradientTape分别监控各自可训练变量，并严格区分真实/伪造标签、匹配tanh输出与[-1,1]输入归一化、设置不同学习率及训练频次。
为什么直接套用 tf.keras.Sequential 搭建 GAN 容易失败
因为 GAN 的生成器（Generator）和判别器（Discriminator）必须独立训练、交替优化，而 Sequential 模型无法支持这种双模型异步梯度更新。你若强行把 G 和 D 塞进一个 Model，model.train_step() 会同时反传两路梯度，导致判别器梯度被生成器污染，loss 看似下降实则崩坏。
正确做法是：分别定义两个 tf.keras.Model 实例，并手动控制 tf.GradientTape 的作用域。关键点在于——with tape.watch(generator.trainable_variables) 只对 G 生效，with tape.watch(discriminator.trainable_variables) 只对 D 生效，二者绝不能混用。
- 判别器输入必须包含真实样本和生成样本，且 label 要严格区分：
tf.ones((batch_size, 1))（真）和tf.zeros((batch_size, 1))（假） - 生成器的 loss 不是“越小越好”，而是要让判别器对假样本输出接近 1，所以用
tf.keras.losses.BinaryCrossentropy(from_logits=True)计算discriminator(fake_images, training=True)与tf.ones(...)的误差 - 务必在
@tf.function装饰的训练 step 中调用tf.summary.scalar记录 loss，否则 eager mode 下性能极差
如何避免 Generator 输出全黑或噪声图
这几乎 90% 的初学者都会遇到，根本原因不是模型结构错，而是初始化 + 归一化不匹配。TensorFlow 默认 Conv2D 使用 GlorotUniform 初始化，但 GAN 对生成器最后一层的输出分布极其敏感。
解决方案很具体：
立即学习“Python免费学习笔记（深入）”；
- 生成器最后一层用
tf.keras.layers.Conv2D(3, kernel_size=3, activation='tanh')，且输入图像必须预处理为 [-1, 1] 区间（用(x - 127.5) / 127.5），否则 tanh 输出被截断，梯度消失 - 判别器所有
LeakyReLU的alpha设为0.2，不能用ReLU——GAN 训练中负值通道必须保留信息 - BatchNorm 层在生成器中必须设
training=True（即使在 inference 阶段），否则 batch 统计失效，输出坍缩；判别器则保持默认training=training
训练时 Discriminator loss 快速归零，Generator loss 却不降怎么办
这是典型的“判别器过强”现象，不是代码 bug，而是训练节奏失衡。判别器比生成器多学几轮，就会把生成样本全部打成 0，导致生成器梯度趋近于 0（因为 log(0) → -∞，但实际被 clip 后梯度消失）。
必须干预训练频率：
- 每轮只更新一次判别器，但每 5 轮才更新一次生成器（即
if step % 5 == 0:再跑 G step），这个比例需根据数据集调整，CelebA 常用 1:1，MNIST 可能要 1:3 - 判别器 loss 用
tf.clip_by_value(logits, -10, 10)截断 logits，防止 sigmoid 后数值下溢 - 绝对不要用
tf.keras.optimizers.Adam(learning_rate=1e-3)——GAN 对 lr 极其敏感，G 和 D 必须用不同学习率：generator_optimizer = tf.keras.optimizers.Adam(2e-4, 0.5)，discriminator_optimizer = tf.keras.optimizers.Adam(2e-4, 0.5)（注意 beta_1=0.5 是标准做法）
保存和加载检查点时最常漏掉的三件事
GAN 模型有两个独立 optimizer，每个 optimizer 内部维护自己的动量变量（如 Adam 的 m/v）。如果只保存 generator 和 discriminator 的权重，恢复后 optimizer 状态丢失，训练会从头震荡。
- 必须用
tf.train.Checkpoint同时 track 四个对象：generator、discriminator、g_optimizer、d_optimizer - 保存路径不能写死为
'./checkpoints/'，而要用tf.train.CheckpointManager管理，否则save_counter不同步，restore()找不到最新 checkpoint - 加载后必须先 run 一次 dummy forward（如
generator(tf.random.normal([1, 100]))），否则 BatchNorm 的moving_mean/moving_variance未初始化，后续 batch norm 报错
GAN 的脆弱性不在结构，而在训练动态本身。哪怕参数只差 0.1%，也可能让整个训练过程发散。调试时优先盯住两个 scalar：D 的 real_loss 和 fake_loss 差值是否稳定在 0.3~0.8 之间，G 的 loss 是否缓慢下降而非剧烈抖动——其余都是表象。
