上一页把表示接回图像，留下了一个训练问题：随机起点并没有配给一张唯一正确的照片，生成器怎样知道自己该改什么？GAN 引入一个会学习的判别器。它看到参考数据与当前生成候选，学习两组之间可区分的线索；生成器则利用这个反馈，让自己的候选更难被区分。

先看杯子的例子。参考组的杯柄接在杯身上，当前候选却有不自然的连接。判别器如果学到了这个差别，就能通过可微的计算为生成器提供改进方向。它并不是把“杯柄向左移动三毫米”写成文字指令，而是由损失对生成图及生成器参数的导数，告诉训练过程怎样调整参数。课堂杯图用来说明这项关系；参考数据与生成候选是两组的角色名称，不是在鉴定图像是否来自实拍。

但反馈能负责到哪里，取决于判别器看到了什么。假设任务要求白色陶瓷杯，候选却是一只很逼真的金属杯。只读图像、学习外观自然度的判别器，可能没有理由拒绝它。若参考图与生成图的边框处理不同，它还可能学会识别边框，而不是我们关心的杯柄。要检查“符合这个条件”，就必须把相应条件与图像的关系纳入训练。外观像真的，并没有自动回答任务是否做对。

“生成器和判别器都在改变，会不会互相追着跑？” 会，二者通常交替训练。训练判别器时，生成样本充当当前反例，这一步只更新判别器。训练生成器时，暂时固定判别器的参数，但仍让反馈经过判别器传回生成图，再传到生成器。固定参数不等于切断这条导数路径；如果整段判别计算都不记录梯度，生成器就收不到这项反馈。交替训练有清楚的目标，但有限数据、容量和优化过程并不保证稳定收敛。

从整体看，训练希望改变的是生成器在各种随机起点上产生的分布，而不只是修好眼前这只杯子。理想分析中会讨论足够强的判别器和达到平衡时的关系；实际训练还需检查是否只学会少数样式、是否出现不稳定。损失下降不能单独替这些检查作答。

训练结束后的通常使用路径更短：抽取随机起点，送入生成器，得到一张候选。判别器帮助训练参数，并不要求每次生成都参与逐张筛选。任务若需要额外筛选，那是使用系统又增加的一道环节。

下一页把视野从一张移到一批：如果每张杯子都很漂亮，但六张几乎只有同一种杯形，这个生成器学到了多少可能性？