Mode Collapse und stabilisierende Tricks
Diagnostizieren und beheben Sie instabiles GAN-Training.
Mode Collapse und stabilisierende Tricks ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
GANs Are Hard to Train
GANs are powerful but notoriously fragile. Two networks chasing each other can swing, stall, or collapse. Knowing the failure modes saves you hours. 🧯
What Is Mode Collapse
Mode collapse happens when the generator produces only a few outputs that reliably fool the judge, ignoring the full variety of the real data.
Spotting the Collapse
You spot it when generated samples all look nearly identical, even though your real dataset is rich and diverse. Variety has vanished.
When the Judge Wins Too Fast
If the discriminator gets too strong too quickly, its gradients dry up and the generator stops learning. Balance between the two is everything.
Trick: Label Smoothing
Label smoothing softens the real target from 1.0 to about 0.9. This keeps the discriminator humble and its gradients useful.
real_label = 0.9Trick: Add Input Noise
Adding a little noise to the discriminator's inputs makes its job slightly harder, which steadies the training game and reduces collapse.
noisy = real + 0.05 * torch.randn_like(real)Trick: Tune the Optimizer
The DCGAN paper uses Adam with a low learning rate and beta1 set to 0.5. These settings are a reliable starting point.
Adam(params, lr=2e-4, betas=(0.5, 0.999))Trick: Minibatch Diversity
Minibatch features let the discriminator compare samples within a batch. If they all look the same, it notices, punishing collapse directly.
Trick: Wasserstein Loss
The Wasserstein loss with gradient penalty gives smoother signals than plain cross-entropy, making notoriously unstable GANs far easier to train.
Keep the Two Balanced
Aim for a fair fight. If one network dominates, slow it down or update the other more often. Balance beats any single trick.
Judge by Diversity Too
A healthy GAN makes images that are both sharp and varied. Always check that different latent vectors give genuinely different outputs.
Quick Check
Recognizing the symptom is half the cure.
Recap: Stabilizing GANs
You learned to spot mode collapse and to fight it with label smoothing, input noise, tuned Adam, and a balanced generator-discriminator duo. 💪
Häufig gestellte Fragen
Ist die Lektion „Mode Collapse und stabilisierende Tricks“ kostenlos?
Ja — der vollständige Text von „Mode Collapse und stabilisierende Tricks“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Mode Collapse und stabilisierende Tricks“?
Diagnostizieren und beheben Sie instabiles GAN-Training. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Mode Collapse und stabilisierende Tricks“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Generator vs. Discriminator: Das Spiel
- Der adversariale Loss
- Einen DCGAN erstellen
- Mode Collapse und stabilisierende Tricks