GAN判别器loss为nan通常由梯度爆炸或输入未归一化导致，需检查生成器输出范围、真实图像缩放、logits裁剪及使用数值稳定的损失函数。
GAN训练时判别器loss突然变成nan，怎么快速定位？
绝大多数情况下是梯度爆炸或输入数据未归一化。TensorFlow默认使用tf.float32，但若生成器输出未约束在[-1, 1]或[0, 1]，送入判别器前未做clip或归一化，tf.nn.sigmoid_cross_entropy_with_logits在logits极大或极小时会产出nan。
- 检查生成器最后一层：用
tf.tanh（输出[-1,1]）或tf.nn.sigmoid（输出[0,1]），并确保真实图像也做了对应缩放（如(x - 127.5) / 127.5） - 判别器输出前加
tf.clip_by_value(logits, -10, 10)临时缓解，但治标不治本 - 启用
tf.debugging.enable_check_numerics()，它会在出现nan或inf时直接报错并指出具体op - 避免在loss里手动写
log(1 - D_fake)——用tf.keras.losses.BinaryCrossentropy(from_logits=True)，它内部已做数值稳定处理
Generator和Discriminator的optimizer要不要分开设置？
要，而且learning rate通常不同。判别器能力过强会导致生成器梯度消失（vanishing gradient），过弱又会让训练不稳定。TensorFlow原生tf.keras.optimizers支持为不同变量集指定优化器，但更稳妥的做法是手动分离训练步骤。
- 判别器常用
tf.keras.optimizers.Adam(learning_rate=2e-4, beta_1=0.5)——较低lr + 调低beta_1能缓解判别器过拟合 - 生成器可用稍高lr（如
4e-4），但必须保证其更新步数≤判别器（常见比例1:1或1:2） - 不要共用同一个optimizer实例；否则
opt.apply_gradients()会混用两组变量，导致权重更新错乱 - 务必用
with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:分别记录，再各自调用gradient()和apply_gradients()
如何让GAN生成图像质量在训练中期就可肉眼判断？
靠实时可视化比等完整训练更有效。TensorFlow本身不内置图像采样工具，但tf.summary.image配合tf.function可低成本嵌入训练循环。
- 每100–500 step保存一次生成样本：用固定噪声
fixed_noise = tf.random.normal([16, noise_dim])，避免每次随机导致无法对比 - 用
tf.summary.image('generated', generated_images, step=step, max_outputs=16)写入TensorBoard，注意generated_images必须是[batch, h, w, c]且值域在[0,1]（否则显示全黑） - 避免在
@tf.function内调用plt.imshow——它会破坏图执行，改用tf.io.encode_png转base64后写日志（适合CI环境） - 如果发现图像长期灰白/模糊，大概率是生成器最后一层漏了
tf.tanh或判别器用了BatchNormalization但没设training=True
加载预训练GAN权重时shape mismatch报错怎么办？
不是模型结构不一致，而是SavedModel保存时默认包含optimizer状态。若只加载网络权重，必须明确指定目标对象。
立即学习“Python免费学习笔记（深入）”；
- 用
model.load_weights(path)而非tf.keras.models.load_model(path)——后者会尝试恢复optimizer、loss等，极易因版本差异失败 - 确保保存前调用过
model.build(input_shape)，否则load_weights可能因动态shape报错 - 若用
tf.train.Checkpoint保存，加载时需严格对齐变量名：生成器权重必须赋给checkpoint.restore(path).expect_partial()，否则missing keys会静默忽略 - 检查h5文件是否含optimizer：用
h5py.File(path, 'r')打开，看是否有'optimizer'key；有则删掉再保存纯权重
训练GAN最耗神的从来不是写代码，而是判断“现在这波loss下降是真的收敛，还是只是噪声”。尤其当disc_loss持续低于0.1而gen_loss卡在0.6不动时，大概率是mode collapse——这时候翻训练日志不如直接看fixed_noise生成的16张图里有没有重复纹理。
