由於 GAN 包含兩個單獨訓練的網路，因此訓練演算法必須解決兩個小工具：
- GAN 必須切換兩種不同類型的訓練 (產生器和歧視器)。
- 難以識別 GAN 融合。
替代訓練
產生器和歧視器有不同的訓練程序。那麼，該如何全面訓練 GAN？
GAN 訓練會在固定期間繼續：
- 歧視一或多個訓練週期的歧視者。
- 產生器會訓練一或多個訓練週期。
- 重複步驟 1 和 2，繼續訓練發電機和歧視網路。
我們會在可辨識的訓練階段中將產生器保持不變。由於差異化器訓練會嘗試辨別如何辨別實際資料與假資料，因此必須學習如何辨識產生器的瑕疵。這與完整訓練的產生器與產生隨機輸出的未訓練產生器不同，這個問題的不一樣。
同樣地，我們會在發電機訓練階段持續使用歧視器常數。否則，產生器可能會嘗試移動移動中的目標，且不會收縮。
可讓 GAN 順利處理衍生問題。我們先從較簡單的分類問題開始，才能夠解決棘手的生成問題。反之，如果無法訓練初始隨機產生器輸出內容，就能讓分類器分辨實際和產生的資料之間的差異，就無法啟動 GAN 訓練。
融合
隨著訓練機的改進，訓練器的表現將會較差，因為歧視器的效能無法輕易判斷真偽。如果產生器成功地執行，則辨識器的準確率為 50%。事實上，歧視者反對著代幣以進行預測。
此進展會讓整體 GAN 的融合問題發生：隨著歧視使用者的意見逐漸漸趨重要，如果 GAN 繼續訓練，直到歧視者提供完全隨機的意見回饋後，產生器就會開始針對垃圾資料進行訓練，而品質可能會因此消失。
對 GAN 來說，融合通常是機群，而非穩定狀態。