Python GANs中的损失函数

我正在尝试建立一个简单的mnist GAN，不需要说什么，它不起作用。我已经搜索了很多并修复了大部分代码。虽然我不能真正理解损失函数是如何工作的

这就是我所做的：

loss_d = -tf.reduce_mean(tf.log(discriminator(real_data))) # maximise
loss_g = -tf.reduce_mean(tf.log(discriminator(generator(noise_input), trainable = False))) # maxmize cuz d(g) instead of 1 - d(g)
loss = loss_d + loss_g

train_d = tf.train.AdamOptimizer(learning_rate).minimize(loss_d)
train_g = tf.train.AdamOptimizer(learning_rate).minimize(loss_g)

---

我得到-0.0作为我的损失值。你能解释一下如何处理GANs中的损失函数吗？

似乎你试图将发生器和鉴别器的损失相加，这是完全错误的！ 由于鉴别器同时包含真实数据和生成的数据，因此必须创建两个不同的损失，一个用于真实数据，另一个用于传递到鉴别器网络的噪声数据（生成）

尝试按以下方式更改代码：

(一)

(二)

然后鉴别器损耗将等于=损耗为真+损耗为假。 现在为发电机创建损耗：

(三)

---

Maryam似乎已经确定了虚假损耗值的原因（即发电机和鉴别器损耗之和）。只是想补充一点，您可能应该为鉴别器选择随机梯度下降优化器来代替Adam-这样做可以在玩极小极大游戏时为网络的收敛提供更强的理论保证（来源：）

如果看得不太深入，你可能没有设置正确的学习速度，导致你的体重爆炸，给你NaN's.Opps！我的意思是-0.0而不是NaNs。很抱歉我会编辑它。我还没有自己编写代码，所以我不会回答，但我相信您需要在

最小化

函数上设置

变量列表

属性。您要做的是在所有变量上定义两个优化器。如果您的鉴别器和生成器在同一个图形中，则您正在执行两个相反的更新。鉴别器优化器应该只更新鉴别器的权重，同样，也应该更新生成器的优化器。您应该使用

tf.variable\u scope

来帮助将变量组织为两组。

tf.variable\u scope

的另一种方法是通过继承

tf.keras.Model

来组织事物，如中所示。（该示例正在如火如荼地执行，但通过对训练循环进行一些调整，将其切换到图形构建应该相对容易）。然后你会得到每个组件的

.variables

属性。我主要依赖于此：它使用var_list.Hi，你能改进代码格式以澄清你的答案吗？请参阅

loss_d_real = -tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=discriminator(real_data),labels= tf.ones_like(discriminator(real_data))))

loss_d_fake=-tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=discriminator(noise_input),labels= tf.zeros_like(discriminator(real_data))))

loss_g= tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=discriminator(genereted_samples), labels=tf.ones_like(genereted_samples)))