💡一句話定義
模式崩潰（Mode Collapse）＝GAN 訓練時，生成器只學會產生少數幾種能騙過判別器的樣本、失去多樣性（例如只生成一種臉），無法涵蓋真實資料的各種模式。它是 GAN 最常見也最棘手的問題之一。
🎮互動：GAN 崩潰 vs WGAN 覆蓋
綠點是真實資料的 4 種模式（如男女、長短髮）。選模式後按「開始訓練」看紅色生成點怎麼跑：原始 GAN 全擠進同一坨（崩潰）；WGAN 均勻覆蓋四坨（有多樣性）。
🎯 GAN 模式崩潰與 WGAN 解決方案
真實資料分佈 (4種人臉模式)
網路生成資料 (Generator)
🕳️為什麼會發生？
生成器找到捷徑——某幾個輸出能穩定騙過判別器，它就一直產出這些，其他真實模式全被忽略。加上兩網路博弈不穩、目標相反、輪流更新，很容易陷入這種退化均衡。模式崩潰其實是「GAN 訓練不穩」的典型症狀之一。
⚖️原始 GAN vs WGAN
| 面向 | 原始 GAN | WGAN |
|---|---|---|
| 損失度量 | JS 散度（分布不重疊時梯度易消失） | Wasserstein／推土機距離（EMD） |
| 生成行為 | 擠向單一模式（崩潰） | 被逼均勻覆蓋所有模式 |
| 多樣性 | 低 | 高 |
| 訓練穩定度 | 不穩、易震盪 | 較穩（WGAN-GP 更佳） |
🚜WGAN 的「推土機距離」
🔧怎麼診斷與緩解？
🔍診斷
生成多樣性低、不同輸入卻產相似圖；用多樣性指標或跟真實分布算 FID。
生成多樣性低、不同輸入卻產相似圖；用多樣性指標或跟真實分布算 FID。
🧪結構技巧
minibatch discrimination、特徵匹配、unrolled GAN，讓 G 看到「整批」而非單張。
minibatch discrimination、特徵匹配、unrolled GAN，讓 G 看到「整批」而非單張。
📐損失改良
WGAN / WGAN-GP（更穩的損失＋梯度懲罰）、加噪與多樣性正則。
WGAN / WGAN-GP（更穩的損失＋梯度懲罰）、加噪與多樣性正則。
✅自我檢測
Q1. 模式崩潰是什麼？
GAN 訓練時生成器只學會產生少數幾種能騙過判別器的樣本、失去多樣性（如只生成一種臉），無法涵蓋真實資料的各種模式。
Q2. 為什麼會發生？
生成器找到捷徑——某幾個輸出能穩定騙過判別器就一直產出；加上兩網路博弈不穩，容易陷入這種退化均衡。
Q3. WGAN 為什麼能緩解？
WGAN 用 Wasserstein（推土機）距離計算整體搬運成本，逼生成器把機率均勻鋪到所有模式、覆蓋多樣性，梯度也更平滑穩定。
Q4. 還有哪些緩解方法？
minibatch discrimination、特徵匹配、WGAN-GP（梯度懲罰）、unrolled GAN、加噪與多樣性正則；並可用 FID 檢查多樣性。
🎯重點整理
- 症狀：只生成少數樣本、失去多樣性。
- 成因：找捷徑騙 D ＋ 博弈不穩。
- 診斷：多樣性低、FID 檢查。
- 解法：WGAN／WGAN-GP、minibatch discrimination 等。
- 本質：它是 GAN 訓練不穩的典型症狀。