我深入研究了GAN，并在PyTorch中实现了它，现在我正在研究GAN背后的核心统计学，当我查看那个网站 GAN背后的数学时，它提到

“Loss(G) = – Loss(D)，请注意，我们将生成器的成本定义为判别器成本的负值。这是因为我们没有明确的方法来评估生成器的成本。”

但是在实现GAN时，我们定义生成器的损失为：

二进制交叉熵损失，这是生成器生成的图像和真实标签之间的判别器输出，在原始论文和以下代码中（由我实现和测试）

    # 训练生成器    z_ = to.randn(minibatch,100 ).view(-1, 100, 1, 1)    z_ = Variable(z_.cuda())    gen_images = generator(z_)    D_fake_decisions = discriminator(gen_images).squeeze()    G_loss = criterion(D_fake_decisions,real_labels)    discriminator.zero_grad()    generator.zero_grad()    G_loss.backward()    opt_Gen.step()

请解释这两者之间的区别，以及正确的那个

代码链接 : https://github.com/mabdullahrafique/Gan_with_Pytorch/blob/master/DCGan_mnist.ipynb

谢谢

回答：

判别器的工作是执行二元分类，以区分真实和假的，因此它的损失函数是二元交叉熵。

生成器的工作是进行密度估计，从噪声到真实数据，并将其输入判别器以欺骗它。

设计中采用的方法是将其建模为MinMax游戏。现在让我们看一下成本函数：

有人解释说：

J(D)中的第一项代表将实际数据输入判别器，判别器希望最大化预测为1的对数概率，表示数据是真实的。第二项代表由G生成的样本。在这里，判别器希望最大化预测为0的对数概率，表示数据是假的。另一方面，生成器试图最小化判别器正确预测的对数概率。这个问题的解决方案是游戏的均衡点，即判别器损失的鞍点。

由于判别器试图将生成器样本的概率最大化为零，生成器的工作就变成了最大化为一。这相当于将生成器的成本函数设为负交叉熵，其中J(D)中的第一项现在是常数。

来源: https://towardsdatascience.com/generative-adversarial-networks-history-and-overview-7effbb713545