# 建立和訓練 GAN 的最佳實踐 對于我們為此演示選擇的數據集，判別器在對真實和假圖像進行分類方面變得非常擅長，因此沒有為生成器提供梯度方面的大量反饋。因此，我們必須通過以下最佳實踐使判別器變弱： * 判別器的學習率保持遠高于生成器的學習率。 * 判別器的優化器是`GradientDescent`，生成器的優化器是`Adam`。 * 判別器具有損失正則化，而生成器則沒有。 * 與生成器相比，判別器具有更少的層和更少的神經元。 * 生成器的輸出是`tanh`，而判別器的輸出是 sigmoid。 * 在 Keras 模型中，對于實際數據的標簽，我們使用 0.9 而不是 1.0 的值，對于偽數據的標簽，我們使用 0.1 而不是 0.0，以便在標簽中引入一點噪聲 歡迎您探索并嘗試其他最佳實踐。