Python 在Keras中培训GAN时，是否需要多次通过以优化生成器和鉴别器？

我比Keras更熟悉tensorflow图训练，但我在这里尝试Keras

在构建GAN时，需要针对与鉴别器不同的损耗（相反的损耗）对发生器进行优化。在基本tensorflow中，使用2个优化器或调用

优化器即可轻松实现。计算梯度（…）

和

优化器。使用适当的权重组分别应用梯度（…）

在凯拉斯，我看不出我能做到这两个。在诸如的实现中，似乎将生成器和鉴别器的训练分解为单独的模型，然后逐批独立训练。这意味着每次有效更新所需的过程比基本tensorflow实现（两个优化器在一个过程中运行）所需的过程多得多

是否有一种方法来实现GAN的优化器，以便生成器和鉴别器在Keras中一次通过培训

---

TF 1.14对于Keras来说，这是一个非常棘手的问题，原因如下：

一个模型只能有一个优化器。。。有必要更改源代码，使其能够接受两个或多个

即使使用自定义优化器，也可以分离权重，但它不提供分离损失的支持，如中所示。概率是优化器已经计算出最终的公共损失（这样就不可能将一个损失归因于一组权重，另一个归因于另一组权重）

在代码中不容易找到训练机制。事情分散在各个方面，支持许多事情，如损失权重、样本权重等。总结所有事情，然后决定做什么/改变所需的时间太长

答复建议 用Keras制作您的模型。鉴别器、发生器及其连接和输出

---

只是不要编译它。相反，跟踪主要张量（生成器输出、鉴别器输出、生成器输入），以Tensorflow样式创建损失函数，并以Tensorflow样式训练所有内容。

是否可以在TF中提供（或指向）一个使用

优化器实现GAN的示例。计算梯度（…）

和

优化器。应用梯度（…）

？另外，在TF中有2个优化器与在Keras中将GAN拆分为单独的模型有什么不同？（我不熟悉TF实现）主要的性能差异是在使用两个模型时需要进行两次前向传递计算。此外，在Keras中，您必须使用

批量训练

，它不支持任何奇特的分布式模式训练，因此Keras的附加值正在减少。我没有完整的实现示例，但这里有一个小代码段，我将单个更新与组合更新进行了比较（与您的问题有点类似，我在这里测试了一个多任务模型，这可能是一个有用的代码段，用于说明TF base中的一步渐变更新）：您使用的是什么？这两个损失函数都通过鉴别器了吗？我没有指定GAN，因为我正在构建的模型是自动编码器和GAN组件的组合，我想让问题保持简单，但我正在处理的增加的复杂性只会加剧我对重复计算的担忧。但是你可以考虑InfoGAN的问题，它离我正在做的不远。是的，发电机损耗必须通过鉴别器（我实际上没有意识到存在一个不以这种方式运行的架构？）。我的建议是：按照您的意愿构建Keras模型（但不要编译它们）。以tensorflow方式创建损失，并使用tensorflow优化器进行培训。