先来梳理一下我们之前所写的代码，原始的生成对抗网络，所要优化的目标函数为：
此目标函数可以分为两部分来看：
①固定生成器 G，优化判别器 D， 则上式可以写成如下形式：
可以转化为最小化形式：
我们编写的代码中，d_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits = D_logits, labels = tf.ones_like(D)))，由于我们判别器最后一层是 sigmoid ，所以可以看出来 d_loss_real 是上式中的第一项（舍去常数概率 1/2），d_loss_fake 为上式中的第二项。
②固定判别器 D，优化生成器 G，舍去前面的常数，相当于最小化：
也相当于最小化：
我们的代码中，g_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits = D_logits_, labels = tf.ones_like(D)))，完美对应上式。
接下来开始我们的 WGAN 之旅，正如 https://zhuanlan.zhihu.com/p/25071913 所介绍的，我们要构建一个判别器 D，使得 D 的参数不超过某个固定的常数，最后一层是非线性层，并且使式子：
达到最大，那么 L 就可以作为我们的 Wasserstein 距离，生成器的目标是最小化这个距离，去掉第一项与生成器无关的项，得到我们生成器的损失函数。我们可以把上式加个负号，作为 D 的损失函数，其中加负号后的第一项，是 d_loss_real，加负号后的第二项，是 d_loss_fake。
下面开始码代码：
为了方便，我们直接在上一节我们的 none_cond_DCGAN.py 文件中修改相应的代码：
在开头的宏定义中加入：
CLIP = [-0.01, 0.01]
CRITIC_NUM = 5
如图：
注释掉原来 discriminator 的 return，重新输入一个 return 如下：
在 train 函数里面，修改如下地方：
在循环里面，要改如下地方，这里稍微做一下说明，idx < 25 时 D 循环更新 25 次才会更新 G，用来保证 D 的网络大致满足 Wasserstein 距离，这是一个小小的 trick。
改完之后点击运行进行训练，WGAN 收敛速度很快，大约一千多次迭代的时候，生成网络生成的图像已经很像了，最后生成的图像如下，可以看到，图像还是有些噪点和坏点的。
最后的最后，贴一张网络的 Graph：
参考文献：
1. https://zhuanlan.zhihu.com/p/25071913