6.1 模式崩溃：只画一张脸的造假者

6.1 模式崩溃：只画一张脸的造假者

模式崩溃指生成器收敛到数据分布的一小部分模式：它能产出极逼真的样本，但翻来覆去只有那几类，分布多样性大幅缩水。 其博弈论根源是"局部最优的生存策略"——死磕一个能骗过判别器的模式，比分散兵力更安全。本节完成验尸（覆盖率诊断）、查动机（崩溃的博弈动力学）与宣判（三类干预手段）。

庭审难题第一案，也是 GAN 最著名的病。症状极具迷惑性：单看每张生成样本都挺好，判别器也挑不出毛病，损失曲线一片祥和——直到你批量采样才发现，一千张"人脸"其实是同一张脸的五十个变体。

验尸：用覆盖率指标确诊

诊断金标准是模式覆盖率：把数据分布划成若干模式（或聚类中心），看生成样本实际覆盖了几个。在四模式合成数据上做一个完整验尸：

健康生成器 vs 崩溃生成器

import numpy as np
rng = np.random.default_rng(42)
modes = np.array([[-2, 0], [2, 0], [0, 2], [0, -2]], float)

# 崩溃生成器: 无论噪声如何, 输出都聚在模式 0 附近
gen = modes[0] + 0.2 * rng.normal(0, 1, (1000, 2))
# 诊断: 每个生成样本归属最近模式, 统计覆盖
assign = np.argmin(((gen[:, None, :] - modes[None]) ** 2).sum(-1), axis=1)
counts = np.bincount(assign, minlength=4)
print("各模式样本数:", counts)
print(f"覆盖率(样本数>50 的模式占比): {(counts > 50).mean():.2f}")
# 输出:
# 各模式样本数: [1000    0    0    0]
# 覆盖率(样本数>50 的模式占比): 0.25

# 对照: 健康生成器
idx = rng.integers(0, 4, 1000)
gen_ok = modes[idx] + 0.2 * rng.normal(0, 1, (1000, 2))
assign_ok = np.argmin(((gen_ok[:, None, :] - modes[None]) ** 2).sum(-1), axis=1)
print("健康生成器覆盖率:", (np.bincount(assign_ok, minlength=4) > 50).mean())
# 输出: 健康生成器覆盖率: 1.0
​

验尸结论清晰：崩溃生成器覆盖率 0.25，健康生成器 1.0。这个诊断脚本可以直接搬进项目——把 modes 换成训练集的聚类中心，就是生产环境的崩溃哨兵。再配合 4.2 节的 IS（崩溃时跌向 1.0）双指标交叉确认，误诊率很低。

查动机：为什么"只画一张脸"是理性选择

崩溃不是 bug，是造假者的理性生存策略。博弈动力学如下：判别器逐批见到真假样本，对高频出现的生成模式反应最快；生成器若同时维护四个模式，等于四线作战、处处被针对；若死磕一个模式做到极致，判别器在这个模式上被反复糊弄，生成器局部收益更高。等判别器终于识破这个模式，生成器往往不是"拓宽产品线"，而是整体迁移到下一个能骗住的模式——于是训练曲线上看到生成结果周期性地"换一张脸"，每个周期内都高度单一。

这个动机分析直接指向干预方向：想让生成器不走捷径，就得让"只画一张脸"变得不划算。

宣判：三类干预手段

第一类：让判别器看见"批次"而不是"单样本"。 小批量判别（PGGAN 配套，3.6 节）给判别器加一个统计模块——计算批内样本间的中间层距离并拼接进判决。效果：一批 64 张一模一样的脸在判别器眼里自动"露馅"（批内统计异常），死磕单一模式的收益暴跌。这是对症下药最直接的一类，代价是判别器变慢。

第二类：让生成器预知未来。 Unrolled GAN 让生成器更新时把"判别器接下来 k 步会怎么应对"算进梯度——相当于下棋看三步。死磕单一模式在两步之后就会被识破，短期收益的诱惑消失。代价是计算图变深、训练变慢，实际用得不多，思想很漂亮。

第三类：从损失侧分兵。 特征匹配（生成器不再追求骗过判别器，而是追求特征统计量对齐真实批）、多样性正则项、或直接换 WGAN-GP 度量（EM 距离对每个模式分别计费，丢一个模式就丢一份距离，作弊无利可图——3.4 节换尺子的又一重红利）。

💡 关键直觉：模式崩溃的本质是"梯度信号只奖励眼前收益"。三类干预殊途同归——都是把"长期与全局"的信息塞回给生成器，让作弊变得无利可图。

本节要点回顾

• 症状迷惑性：单样本逼真、损失祥和，批量采样才见真章——覆盖率诊断是哨兵；
• 验尸读数：四模式数据崩溃覆盖率 0.25 对健康 1.0，可聚类复用于生产；
• 动机：单模式死磕是博弈的理性捷径，判别器逐批反应速度是共犯；
• 三类干预：批统计（小批量判别）、预知未来（unrolled）、损失分兵（特征匹配/换度量）；
• 与 4.2 节联动：覆盖率 + IS 双指标交叉监控，是崩溃的早期预警组合。

常见问题：崩溃诊断与治疗

崩溃与"截断技巧"怎么区分？ 一个是病、一个是旋钮。截断是主动收窄噪声换保真（3.7 节），随时可逆且过程平滑；崩溃是生成器走捷径，把噪声旋钮调回去也不恢复。诊断金标准仍是覆盖率：截断下各模式比例均匀缩小，崩溃下模式数量直接消失。

部分崩溃（丢一半模式）怎么发现？ 批量采样至少几百张做聚类统计，样本少了统计不稳。也可以用 IS 做哨兵：覆盖缩水会压低边缘分布多样性，IS 缓降是部分崩溃的早期信号，覆盖率骤降是确诊。

干预手段可以叠加吗？ 可以但要有顺序：先上便宜的（特征匹配、多样性正则只改损失），不行再上小批量判别（判别器改造），Unrolled 这类重型手段最后考虑。每种干预引入后都要重跑覆盖率诊断，防止按下葫芦浮起瓢。

演算自测

八模式数据上，某生成器采样一千张，聚类统计为每模式 125 张上下浮动 10。覆盖率是多少？健康吗？答案：八模式全部超过阈值（比如 50），覆盖率 1.0；各模式占比约 0.125 且波动小，属于健康。若统计变为四个模式各 250、四个模式为零呢？覆盖率 0.5，半崩溃——恰好对应"部分崩溃"的典型形态，该启动干预流程了。

案例快照：一次崩溃的完整时间线

某手写数字训练日志：第 12 个 epoch，覆盖率从 0.9 缓降到 0.7（IS 同步从 6.1 掉到 4.5）；第 15 个 epoch 采样出现"三个数字消失"；第 17 个 epoch 覆盖率 0.4，固定噪声批里同一样本占比过半。干预：第 17 个 epoch 起启用特征匹配（损失层最便宜的一刀），第 22 个 epoch 覆盖率回到 0.85，IS 回到 5.8。这条时间线的教训有二：覆盖率缓降先于明显崩坏三到五个 epoch，哨兵指标给足了反应窗口；而损失曲线在整个过程中"风平浪静"——又一次证明崩溃要从采样侧看，不能从损失侧看。