GAN 中的损失函数

Question

我正在尝试构建一个简单的 mnist GAN，不用多说，它没有用。我搜索了很多并修复了我的大部分代码。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 GAN 中的损失函数吗？

Answer 1

看来你试图将生成器和判别器的损失加在一起，这是完全错误的！由于鉴别器同时使用真实数据和生成的数据进行训练，因此您必须创建两种不同的损失，一种用于真实数据，另一种用于传递给鉴别器网络的噪声数据（生成的）。

尝试按如下方式更改您的代码：

1)

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

2)

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

那么鉴别器损失将等于=loss_d_real+loss_d_fake。现在为您的生成器创建损失：

3)

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

Answer 2

Maryam 似乎已经确定了你的虚假损失值的原因（即生成器和鉴别器损失的总和）。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收敛提供更强的理论保证（来源：https://github.com/soumith/ganhacks）。

GAN 中的损失函数

Loss functions in GANs

python

generative

machine-learning

neural-network

tensorflow