下列对于早先的生成式对抗网络的叙述，哪个说法是错误的？

A、生成器用来产生带有随机噪声的一定分布数据和真实样本数据的映射关系，判别器用来区别实际数据和生成器产生的数据

B、生成器可以由Autoencoder实现

C、生成器和判别器需要交替训练，不断增加两者的性能，直至达到某种博弈的平衡

D、生成器和判别器的代价函数在训练过程中是同时优化的

A、它们都是深度生成模型

B、对于与训练样本分布不同的数据，自编码器的输出会有别于训练样本；生成对抗网络会判别为假样本

C、自编码器可以作为一个生成对抗网络使用

D、它们都可以用于数据增强

A、判别网络和生成网络的训练是并行的

B、判别网络和生成网络的代价函数是相同的，目标是一致的

C、类似于卷积神经网络，生成对抗网络的训练也需要很多真实的样本

D、在训练时，需要平衡判别网络和生成网络的能力

A、生成式模型模拟概率分布时，常用“后验分布”

B、用生成式模型根据少量样本来估计整个类型的概率特征是很困难的

C、判别式模型对问题本质缺乏了解，无法从个例中抽象出整体概念

D、生成对抗网络结合了生成模型和判别模型

A、生成对抗网络包括两部分，即生成器和判别器

B、生成对抗网络的判别器进行训练时，其输入为生成器生成的图像和来自训练集中的真实图像，并对其进行判别

C、生成对抗网络的生成器从随机噪声中生成图像（随机噪声通常从均匀分布或高斯分布中获取）

D、既然生成对抗网络是无监督模型，则不需要任何训练数据

A、生成对抗网络只包含若干个生成器，优胜者胜出

B、生成对抗网络，即Generative Adversarial Networks，简称GAN

C、生成对抗网络包括两部分，即生成器和判别器

D、生成对抗网络的生成器:从随机噪声中生成图像（随机噪声通常从均匀分布或高斯分布中获取）

A、生成式学习算法能够获取类别本身的特征

B、生成对抗网络包括生成网络和判别网络两部分

C、生成式学习算法能够创造的新样本是有限的

D、当判别网络输出概率为0.5时，表示它无法判别生成样本的真伪

A、生成器要最小化判别模型D的判别准确率，而判别器要尽量最大化真假分类准确率

B、训练GAN要达到生成器和判别器的博弈平衡，因此GAN的代价函数需要综合考虑两者的性能

C、通过交替训练判别器和生成器，不断提高两者的性能，使两者的性能达到某个平衡点

D、一般来说，GAN通过训练总能达到代价函数的极小值

A、判别器的判别能力开始训练时越强，GAN越容易训练

B、若生成器产生新样本依赖的随机噪声z与真实样本的数据分布差别很大，GAN训练会失效

C、生成器由一个前馈神经网络或反卷积深度网络实现，其目标是要使生成的图像与真实的样本一样

D、如果判别器发生了过拟合，那么生成器可能会生成一起很奇怪的样本

A、为适应不同大学的图形特征的获取，采用了多种大小的卷积核

B、网络的宽度和深度都得到了加强，特征获得更充分

C、通过线性堆叠各种Inception模块，在不明显增加网络课训练参数的情况下，提升网络的性能

D、GoogLeNetL的两个辅助分类器的主要目的是增加分类子模型，提高分类准确度