---
title: "生成對抗網路（Generative Adversarial Network）"
slug: generative-adversarial-network
language: zh-TW
source: https://aiterms.tw/terms/generative-adversarial-network
updated_at: 2026-04-29
tags: [生成式AI, 深度學習, 神經網路]
ipas_term: true
---

# 生成對抗網路（Generative Adversarial Network）

> **你有沒有看過一個模型不停生成假圖，另一個模型不停抓假，最後越來越像真的？**
>
> 你可以把生成對抗網路想成兩個角色互相較勁，一個負責造假，一個負責抓假，最後逼出更逼真的生成結果。
>
> 它重要，是因為這種對抗學習能讓模型學到很像真實資料的分布，常用在影像與資料增強。

### 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。

### iPAS 考題
> **Q：GAN 的兩個核心網路是什麼？**
> → 生成器與鑑別器，兩者互相對抗來提升生成品質。
>
> **Q：GAN 為什麼常用在影像生成？**
> → 因為它擅長產生較逼真的視覺結果，特別適合高解析度視覺內容。

### 情境判斷
> **Q1：如果你想做逼真的假圖生成，GAN 會比一般分類模型更合適嗎？**
> → 會，因為分類模型不是拿來生成新內容的。
>
> **Q2：如果生成結果看起來都差不多，這一定是成功嗎？**
> → 不一定，可能是模式崩潰，代表多樣性不足。

### 常見問題
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **深度學習**：GAN 是它的一種典型生成式架構。
> - **非監督式學習**：GAN 常在沒有明確標籤的情況下訓練。
> - **電腦視覺**：影像生成與增強是 GAN 的主戰場。
> - **變分自編碼器**：最常被拿來比較的生成模型之一。
> - **機器學習**：先懂這個大框架，再看 GAN 會更有位置感。

---

來源：https://aiterms.tw/terms/generative-adversarial-network
快查頁：https://aiterms.tw/terms/generative-adversarial-network
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-generative-adversarial-network