Deep learning 改进GAN的损耗实现

最近，我在读一篇论文《改进训练技术》，作者将损失定义如下： 然后我检查了物品的代码，相应的损失定义代码是：

output_before_softmax_lab = ll.get_output(disc_layers[-1], x_lab, deterministic=False)
output_before_softmax_unl = ll.get_output(disc_layers[-1], x_unl, deterministic=False)
output_before_softmax_gen = ll.get_output(disc_layers[-1], gen_dat, deterministic=False)

l_lab = output_before_softmax_lab[T.arange(args.batch_size),labels]
l_unl = nn.log_sum_exp(output_before_softmax_unl)
l_gen = nn.log_sum_exp(output_before_softmax_gen)
loss_lab = -T.mean(l_lab) + 
T.mean(T.mean(nn.log_sum_exp(output_before_softmax_lab)))
loss_unl = -0.5*T.mean(l_unl) + 0.5*T.mean(T.nnet.softplus(l_unl)) + 0.5*T.mean(T.nnet.softplus(l_gen))    

我认识到

l_lab

用于标记数据的分类损失，因此应将其最小化，

l_unl

用于未标记数据的损失，而

l_gen

用于生成图像的损失。 我的困惑是，为什么鉴别器应该最小化

l_unl

和

l_gen

，这是代码

0.5*T.mean（T.nnet.softplus（l_unl））+0.5*T.mean（T.nnet.softplus（l_gen））

告诉我们的。

---

提前感谢。

您应该阅读这篇文章的片段。

Loss_unlabel对应于L_{unsupervised}

见下文。

然后，通过函数nn.softplus和nn.logsum_exp的代码，您将得到loss_unl

---

希望对您有所帮助。

您能解释一下为什么代码中应该有损失实验室吗？@张千辉？@Schaffer，如果你不懂这个原始代码，你可以看到这个代码。。半gan的实现方法很多。希望能帮助你。