# GAN、WGAN、DCGAN 与 SeqGAN

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 13 章 生成式对抗网络
- 页码线索：300-331
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P1
- 标签：gan, generative-ai

## 面试问题

GAN 的基本思想是什么？WGAN、DCGAN、SeqGAN分别解决什么问题？

## 30 秒回答

GAN 通过生成器和判别器对抗训练，让生成器逐步生成更真实样本。DCGAN 用卷积结构提升图像生成，WGAN 改善训练稳定性，SeqGAN 尝试处理离散序列生成。

## 展开要点

- GAN 的难点包括训练不稳定、模式崩塌和评估困难。
- WGAN 用 Wasserstein 距离改善梯度信号。
- DCGAN 给图像生成提供更适合的网络结构。
- 离散文本生成难以直接反向传播，SeqGAN 引入策略梯度思路。

## 高频追问

- GAN 为什么容易 mode collapse？
- WGAN 改进了什么？
- 生成模型如何评估质量？

## 项目映射

- 图像生成、数据增强、负样本生成、内容创意。
- 迁移到 LLM：生成质量、可控性和评估仍然是核心问题。

## AI PM 迁移

这章较老，但有助于理解生成式 AI 的早期范式和评估难题。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。