1. GAN 基础概念：生成对抗网络原理与架构

生成对抗网络，说白了就是让两个网络互相“对着干”。一个负责生成，一个负责鉴别。我记得第一次接触这个概念是在 2018 年，当时就觉得——这思路太妙了。造假币的和验钞的不断博弈，最后假币能乱真，验钞的也火眼金睛。你想想看，这不就是最好的学习机制吗？

在药物设计里，我们把“造假币”换成“生成化合物分子”，“验钞”换成“判别分子是否真实”。两个网络在对抗中共同进化，最后生成器能产出高度逼真的新分子。这就是 GAN 的核心魅力。

1.1 生成器：从随机噪声到分子结构

生成器 G 的任务很简单——输入一段随机噪声，输出一个化合物表示。这个表示可以是分子指纹、SMILES 字符串，也可以是 3D 构象的坐标矩阵。你给它一堆随机数，它还你一个看起来像模像样的分子。

我刚开始做生成模型时，总觉得这步像是“无中生有”，不太靠谱。后来才明白，随机噪声只是种子，真正的能力藏在生成器的网络参数里。它通过学习真实化合物的分布，把噪声映射到分子空间。

• 输入：高斯或均匀分布的随机向量（latent vector）
• 输出：固定长度的分子表示（如 128 维指纹或 SMILES 序列）
• 网络结构：常用反卷积层（图像）或 GRU/LSTM（序列），在分子领域多用 MLP + 残差连接

1.2 判别器：真假鉴定师

判别器 D 是个二分类器。它吃进去一个化合物表示，吐出来一个 0 到 1 之间的分数——越接近 1 表示越像真实分子，越接近 0 表示怀疑是生成的。

这里的“真实分子”来自训练集（比如 ChEMBL 或 ZINC 数据库），而“假分子”来自生成器。判别器的目标很简单：尽可能准确地把两者分开。

我在调判别器的时候踩过一个坑：判别器收敛得太快，导致生成器梯度消失，学不动了。后来用了标签平滑（label smoothing）和梯度惩罚，才稳住局面。

1.3 对抗训练：两个网络的博弈

训练 GAN 不是单纯地最小化一个损失，而是让两个网络玩一场 极小极大博弈。生成器想让判别器把假样本判成真的，判别器则拼命不犯错。两者交替更新，像在走钢丝。

训练循环的伪代码大致长这样：

for epoch in range(num_epochs):
    # ---- 训练判别器 ----
    real_data = sample_real_compounds(batch_size)
    z = sample_noise(batch_size, latent_dim)
    fake_data = generator(z).detach()

    d_real = discriminator(real_data)
    d_fake = discriminator(fake_data)
    d_loss = -(log(d_real) + log(1 - d_fake)).mean()

    d_optimizer.zero_grad()
    d_loss.backward()
    d_optimizer.step()

    # ---- 训练生成器 ----
    z = sample_noise(batch_size, latent_dim)
    fake_data = generator(z)
    g_loss = -log(discriminator(fake_data)).mean()

    g_optimizer.zero_grad()
    g_loss.backward()
    g_optimizer.step()

注意判别器训练时用了 .detach()，确保梯度不会回流到生成器。生成器训练时则把判别器当固定评估器，只更新自己的参数。这种交替机制是 GAN 的精髓。

1.4 训练中的挑战与应对

GAN 出了名的难训。我自己的经验是，生成器和判别器的平衡非常微妙。判别器太强，生成器梯度消失；生成器太强，判别器崩溃，整个训练失去方向。

常见的几个问题：

• 模式崩溃（Mode Collapse） ← 上一章 📖 返回目录 下一章 →