不过事物都是有两面性的，正是因为原始生成式对抗网路过于自由。
训练过程很容易出现训练发散的情况。
不止于此，生成式对抗网络还存在诸如梯度消失等问题。
由于这些问题的存在，生成式对抗网络是很难学习一些生成离散的分布的。
就比如原始的生成式对抗网路就不是很擅长纯粹文本方面的处理。
除了涉及到部分场景下会将生成式对抗网络用于文本分割之外。
多数时候很少将生成式对抗网络应用于文本（特指纯粹文字形式的文本）方面。笑傲小说
不过尺有所长寸有所短，虽然并不是很擅长对纯粹文本信息的处理。
但在其余很多领域生成式对抗网路都可以大显身手。
在人脸识别方面、超分辨率重建等方面生成对抗网络更是大有用武之地。
甚至是在语义图像修复方面生成式对抗网络同样是可以大显身手。
除此之外，生成式对抗网络还有很多应用方向。
概括地说，生成式对抗网络的应用前景是相当广阔的。
说起来因为在这个时空机器学习方面的研究比较滞后。
林灰想搬运生成式对抗网络这一模型的话其实也不需要担太多风险。
尽管如此，在将生成式文本摘要方面的彻底搞定之前。
林灰也不着急将生成式对抗网络相关的研究成果搬运出来。
至于为什么林灰不将生成式对抗网络搬出来？
林灰不想给外界其余的学术人员一种割裂感。
就像林灰在游戏开发时不想给游戏玩家