摘要：為了解決生成對抗網絡(Generative adversarial networks,GAN)的訓練難問題,該文在Wasserstein GAN(WGAN)方法基礎上提出了迭代化代價函數及超參數可變的生成對抗網絡。為了對原始WGAN中的懲罰項進行改進,用迭代的方法增加懲罰項代替原始隨機選取的方法。針對WGAN中固定代價函數懲罰項的超參數,提出變動超參數策略,其變動的依據是仿分布和真實分布之間的距離。在MNIST手寫字體數據集和CELEBA人臉數據集上的實驗表明,與傳統WGAN方法相比,該文方法在生成器的擬合速度上有了顯著提高,充分驗證了方法的有效性。