Python 3.x 在GAN中，是否需要编译生成器

我一直在研究GAN，让我挠头的是为什么我们必须编译生成器模型，即使我们编译组合GAN模型，那么为什么要单独编译生成器

def create_generator():
    generator = Sequential()

    generator.add(Dense(256, input_dim=noise_dim))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(512))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(1024))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(img_rows*img_cols*channels, activation='tanh'))

    generator.compile(loss='binary_crossentropy', optimizer=optimizer)
    return generator

def create_descriminator():
    discriminator = Sequential()

    discriminator.add(Dense(1024, input_dim=img_rows*img_cols*channels))
    discriminator.add(LeakyReLU(0.2))

    discriminator.add(Dense(512))
    discriminator.add(LeakyReLU(0.2))

    discriminator.add(Dense(256))
    discriminator.add(LeakyReLU(0.2))

    discriminator.add(Dense(1, activation='sigmoid'))

    discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)
    return discriminator

discriminator = create_descriminator()
generator = create_generator()

# Make the discriminator untrainable when we are training the generator.  This doesn't effect the discriminator by itself
discriminator.trainable = False

# Link the two models to create the GAN
gan_input = Input(shape=(noise_dim,))
fake_image = generator(gan_input)

gan_output = discriminator(fake_image)

gan = Model(gan_input, gan_output)
gan.compile(loss='binary_crossentropy', optimizer=optimizer)

---

在这段代码中，可以看到生成器、鉴别器和gan（组合模型）三者都是编译的。根据我的理解，我们应该只编译鉴别器（用于训练鉴别器）和gan（用于训练生成器的组合模型），因为鉴别器权重在gan训练期间被冻结，因此只有生成器得到训练。那么，为什么在培训期间编译生成器，生成器和鉴别器的目标是相反的：

鉴别器

尝试区分假图像和真图像，而 生成器试图生成看起来足够真实的图像来欺骗用户 鉴别器。
由于GAN由两个目标不同的网络组成，因此无法像常规神经网络那样进行训练。 每个培训迭代分为两个阶段：

• 在第一阶段，我们训练鉴别器。一批真正的 图像从训练集中采样，并使用 生成器生成的相同数量的假图像。标签是 假图像设置为0，真图像设置为1，鉴别器 使用二进制代码对该标记批次进行一步培训 交叉熵损失。重要的是，反向传播只会优化 此阶段中鉴别器的权重
• 在第二阶段，我们训练发电机。我们首先用它来 制作另一批假图像，再次 鉴别器用来辨别图像是真是假。 这一次，我们不在批处理中添加真实图像，也不添加所有标签 设置为1（实）：换句话说，我们希望生成器生成 鉴别器（错误地）认为是真实的图像！ 关键的是，在此期间，

  鉴别器的权重被
  冻结
  步骤，因此反向传播仅影响生成器的权重
  

接下来，我们需要编译这些模型。这个

生成器

将仅通过

gan模型

，进行培训，因此我们无需 完全编译它。重要的是，

鉴别器

不应 在第二阶段进行培训，因此我们在之前将其设置为不可培训

---

编译

gan模型：

确实不需要编译

G

。您只需在

D

培训期间使用

generator.predict（）

为

D

提供假样本即可。确保在更新过程中，

D

权重被冻结。谢谢@Slowpoke的回答，你知道其他人编译生成器的可能原因吗，即使我们不需要它。