Tensorflow 如何从赣培训发电机？

在阅读了GAN教程和代码示例之后，我仍然不明白生成器是如何训练的。假设我们有一个简单的例子： -发电机输入为噪声，输出为灰度图像10x10 -鉴别器输入为图像10x10，输出为从0到1的单个值（假或真）

训练鉴别器很简单-将其输出视为真实，期望为1。为fake获取输出，预期为0。我们正在处理实际的输出大小-单个值

---

但训练生成器是不同的-我们采用假输出（1个值），并将其预期输出作为一个。但这听起来更像是对描述者的训练。发电机的输出为图像10x10，我们如何仅用1个单一值对其进行训练？反向传播在这种情况下如何工作？

要训练生成器，必须在冻结鉴别器权重的同时反向传播整个组合模型，以便仅更新生成器

为此，我们必须计算

d（g（z；θg）；θd）

，其中θg和θd是生成器和鉴别器的权重。为了更新生成器，我们可以计算梯度wrt。仅对θg

∂损耗（d（g（z；θg；θd））/∂θg

，然后使用法线梯度下降更新θg

在Keras中，这可能看起来像这样（使用函数API）：

通过将

trainable

设置为False，已经编译的模型不会受到影响，只有将来编译的模型才会被冻结。因此，鉴别器可作为独立模型训练，但在组合模型中冻结

然后，训练你的GAN：

X_real = ...
noise = ...
X_gen = generator.predict(noise)

# This will only train the discriminator
loss_real = discriminator.train_on_batch(X_real, one_out)
loss_fake = discriminator.train_on_batch(X_gen, zero_out)

d_loss = 0.5 * np.add(loss_real, loss_fake)

noise = ...
# This will only train the generator.
g_loss = self.combined.train_on_batch(noise, one_out)

---

我想理解发电机培训程序的最好方法是修改所有培训循环

对于每个时代：

更新鉴别器：

• 正向真实图像小批量通过鉴别器

• 计算鉴别器损耗，并计算反向过程的梯度

• 通过生成器生成伪图像小批量

• 通过鉴别器正向生成伪小批量传递

• 计算鉴别器损耗并导出反向过程的梯度

• 添加（真实小批量渐变、假小批量渐变）

• 更新鉴别器（使用Adam或SGD）

更新生成器：

• 翻转目标：为生成器将假图像标记为真实图像。注意：此步骤确保对生成器使用交叉熵最小化。如果我们继续执行GAN-minmax博弈，它有助于克服生成器的消失梯度问题

• 通过更新的鉴别器转发伪图像

• 根据更新的鉴别器输出计算发电机损耗，例如：

损失函数（鉴别器估计的假图像为真的概率，1）。
注：此处1表示假图像的生成器标签为真

• 更新发电机（使用Adam或SGD）

我希望这有帮助。正如你从训练过程中所看到的那样，赣籍球员在某种程度上“合作，即鉴别器估计数据与模型分布密度的比率，然后与生成器自由共享此信息。从这个角度来看，鉴别器更像是一名教师，指导发电机如何改进，而不是一名对手”（引用自）

X_real = ...
noise = ...
X_gen = generator.predict(noise)

# This will only train the discriminator
loss_real = discriminator.train_on_batch(X_real, one_out)
loss_fake = discriminator.train_on_batch(X_gen, zero_out)

d_loss = 0.5 * np.add(loss_real, loss_fake)

noise = ...
# This will only train the generator.
g_loss = self.combined.train_on_batch(noise, one_out)