随着机器学习,尤其是深度学习等相关领域的蓬勃发展,计算机对于许多困难任务的处理能力已经有了极大的提升。但是在这些算法的实现过程中,大量标注数据的获取依旧非常困难,有些需要人工花费时间进行处理,有些甚至以人类的知识是无法处理的。因而无监督学习越来越受到人们的关注,在深度学习领域中,生成对抗网络(GAN)无疑是十分令人瞩目的。在原始的生成对抗网络中,真实数据是分布在低维流形上的,因而在高维空间对生成对抗网络进行训练所得到的结果是非常不稳定的。真实数据与生成数据的分布在高维空间几乎是没有重叠的,而根据鉴别的原理,这样会使得鉴别器可以非常轻松地将生成样本从数据集中区分出来,使得生成器无法根据鉴别器对数据的区分结果得到有学习意义的梯度。在训练过程中生成器也就无法生成更高质量、更逼真的图片。所以本文从架构的角度出发,尽可能增大鉴别器鉴别的难度,提出训练一个生成器同时对抗多个鉴别器的架构,并随机丢弃鉴别器。在这个架构中,在鉴别器鉴别之前首先将分布投影到低维空间。每一个鉴别器都只关注数据不同的低维随机投影,所有的这些低维投影包含了全部的特征。同时通过计算每个鉴别器的Wasserstein距离,得到最优鉴别器,保证最优鉴别器不被丢弃的同时,根据鉴别器的表现情况,为鉴别器分配丢弃概率。采用这种架构后,多个鉴别器可以向生成器提供稳定且有学习价值的梯度,生成器根据梯度进行学习,进而努力生成与完整数据分布一致(近似)的样本,以骗过所有鉴别器的判别。而随机丢弃鉴别器可以避免过拟合情况的发生,还可以保证鉴别器组整体工作的质量为最优。为了验证新架构生成图像的质量,在MNIST(手写数字)、Cifar10(小型物体)、CelebA(名人人脸)三种数据集上与DCGAN进行了对比实验,并从IS、FID、损失函数值三个角度进行了评估。新架构生成图像无论从质量还是多样性,都强于DCGAN。同时为了验证鉴别器个数对架构的影响,还对鉴别器个数分别为12、24、48进行了对比实验。生成图像质量随鉴别器个数的增加而提高。