1. 归一化图像输入到[-1,1]之间。
2. 生成器最后一层使用tanh激活函数。
3. 生成器的Loss采用min(log(1-D))。因为原始的生成器Loss存在梯度消失问题
4. 训练生成器的时候，考虑反转标签，real=fake，fake=real。
5. 不要在均匀分布上采样，应该在高斯分布上采样。
6. 一个Mini-batch里面必须只有正样本，或者负样本。不要混在一起训练。
7. 如果用不了Batch Norm，可以用Instance Norm避免稀疏梯度，即少用ReLU，MaxPool。可以用LeakyReLU替代ReLU。
8. 下采样可以用Average Pooling或者Convolution + stride替代。上采样可以用PixelShuffle，ConvTranspose2d + stride。
9. 平滑标签或者给标签加噪声。平滑标签，即对于正样本，可以使用0.7-1.2的随机数替代；对于负样本，可以使用0-0.3的随机数替代。给标签加噪声：即训练判别器的时候，随机翻转部分样本的标签。
10. 如果可以，可以使用DCGAN或者混合模型：KL+GAN，VAE+GAN。
11. 生成器使用Adam，判别器使用SGD。
12. 尽快发现错误：比如判别器Loss为0，说明训练失败了；如果生成器Loss稳步下降，说明判别器没发挥作用。
13. 不要试着通过比较生成器和判别器的Loss的大小来解决训练过程中的模型坍塌问题。比如：Loss D > Loss G:train D。Loss G > Loss D:train G。
14. 如果有标签，请尽量利用标签信息来训练。
15. 给判别器的输入加入一些噪声，给G的每一层加一些人工噪声。
16. 多训练判别器，尤其是加了噪声的时候。
17. 对于生成器，在训练和测试的时候使用dropout。