生成對抗網路是一種透過生成器與鑑別器互相對抗學習，最終使生成器能產出逼真資料的深度學習模型
容易混淆
GAN vs 變分自編碼器 VAE 偏向先學分布再重建，結果常比較平滑。 GAN 偏向對抗逼真，生成結果通常更銳利。
GAN vs 一般分類模型 分類模型是判斷類別。 GAN 是生成新樣本，目標完全不同。
記住這句就好
一個負責造，一個負責抓，互相對抗就是 GAN。
實際案例
醫療影像增強 少見病灶資料太少時，可以用 GAN 補強訓練素材，但仍要仔細檢查品質。
人臉生成 GAN 可以生成看起來很像真的人臉、風格圖像或藝術圖案。
算法與應用
它由生成器和鑑別器組成，訓練時讓兩者彼此拉扯，生成器不斷修正輸出。 常見挑戰包含訓練不穩定、模式崩潰和評估困難，但在影像任務裡仍很有代表性。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 生成對抗網路 | 台灣教科書與考試用語 |
| 生成对抗网络 | 中國大陸用語，簡體資料裡幾乎都寫這個 |
| Generative Adversarial Network | 論文原名，Ian Goodfellow 等人於 2014 年提出 |
| GAN | 縮寫，讀作「乾」或逐字母念 |
| 對抗式生成網路 | 少見的中文變體，指的是同一件事 |
運作核心：兩個網路互相對抗
考題最常問的就是「運作核心為何」，答案是生成器與判別器的對抗訓練。
生成器（Generator） 吃一個隨機雜訊向量，吐出一張假圖。它的目標是騙過判別器。
判別器（Discriminator） 吃一張圖，判斷是真實資料還是生成器造的。它的目標是不被騙。
兩者輪流更新：判別器變強，生成器就必須造得更像；生成器變像，判別器就必須看得更細。理論上的平衡點是判別器對任何輸入都只能猜 50%，也就是再也分不出真假。
這個「一個要騙、一個要抓」的零和結構，就是「對抗（adversarial）」這個字的來源，也是它跟自編碼器、擴散模型最根本的差別：GAN 沒有明確的重建誤差，它的訓練訊號完全來自另一個網路的判斷。
為什麼 GAN 很難訓練
模式崩潰（mode collapse）：生成器發現某一種輸出特別容易騙過判別器，就一直產出那一種，多樣性歸零。症狀是生成的圖看起來都很像。
訓練不穩定：兩個網路的強弱要維持平衡。判別器太強，生成器拿不到有用的梯度，學不動；生成器太強，判別器變成瞎猜，同樣沒有訊號。
沒有明確的收斂指標：損失值上下震盪是正常的，看損失曲線判斷不出訓練好壞，實務上只能靠人眼看樣本或用 FID 這類分數評估。
這些問題是擴散模型（diffusion model）近年在影像生成上取代 GAN 的主要原因：擴散模型的訓練目標是單一的去噪損失，穩定很多。GAN 的優勢仍在推論速度，它一次前向就出圖，不需要幾十步迭代。
生成對抗網路 在 iPAS 考試中的重點
根據歷年統計，生成對抗網路 相關題目 平均佔 AI 技術類考題 3%， 屬於未分類考範圍。
常見出題方向：生成對抗網路的演算法原理（40%）、模型架構與訓練策略（35%）、生成模型應用與評估（25%）。
閱讀這頁時的常見誤區
只背中英文對照，無法判斷術語的適用情境。先確認定義，再對照完整說明與相關概念，頁面中的考試比重或出題方向，必須和下方標示的資料來源一起閱讀。
相關術語
常見問題
GAN 為什麼訓練難？
因為兩個網路在互相拉扯，平衡不好就容易不穩。
它只適合生成圖片嗎？
不只，但圖片是最常見、也最容易看出效果的場景。
模式崩潰是什麼？
生成器只會產生少數幾種樣本，失去多樣性。
GAN 一定比 VAE 更好嗎？
不一定，GAN 可能更逼真，VAE 常更穩，取捨看任務。
資料來源
- AITerms.tw 術語資料庫，最後更新：2026-07-29。
- iPAS AI 應用規劃師評鑑內容範圍參考（115.02） ，經濟部產業人才能力鑑定