生成对抗网络GAN的Loss

GAN同时要训练一个生成网络(Generator)和一个判别网络(Discriminator)，前者输入一个noise变量 z ，输出一个伪图片数据 G(z;θ_{g})，后者输入一个图片(real image)以及伪图片(fake image)数据 x ，输出一个表示该输入是自然图片或者伪造图片的二分类置信度D(x;θ_{d})，理想情况下，判别器D需要尽可能准确的判断输入数据到底是一个真实的图片还是某种伪造的图片，而生成器G又需要尽最大可能去欺骗D，让D把自己产生的伪造图片全部判断成真实的图片。

根据上述训练过程的描述，可以定义一个损失函数：
Loss=1/m\sum_{i=1}^{m}[\log D(x^{i})+\log(1-D(G(z^{i})))]

其中x_{i},z_{i}分别是真实的图片数据以及noise变量。
而优化目标则是：
min_{G}max_{D}Loss

参考资料

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容