我无法理解TensorFlow文档中GAN模型的损失函数。为什么对真实损失使用tf.ones_like()，而对伪造输出使用tf.zeros_like()？

def discriminator_loss(real_output,fake_output):  real_loss = cross_entropy(tf.ones_like(real_output),real_output)  fake_loss = cross_entropy(tf.zeros_like(fake_output),fake_output)  total_loss = real_loss + fake_loss  return total_loss

回答：

我们需要以最小-最大（或你喜欢称之为min-max）的方式最小化以下损失函数。

1. 生成器损失 = -log(生成标签)
2. 判别器损失 = -log(真实标签) – log(1 – 生成标签)

其中real_output = 真实标签，fake_output = 生成标签。

现在，考虑到这一点，让我们看看TensorFlow文档中的代码片段代表什么：

• real_loss = cross_entropy(tf.ones_like(real_output), real_output) 计算结果为
  • real_loss = -1 * log(real_output) – (1 – 1) * log(1 – real_output) = -log(real_output)
• fake_loss = cross_entropy(tf.zeros_like(fake_output),fake_output) 计算结果为
  • fake_loss = -0 * log(fake_output) – (1 – 0) * log(1 – fake_output) = -log(1 – fake_output)
• total_loss = real_loss + fake_loss 计算结果为
  • total_loss = -log(real_output) – log(1 – fake_output)

显然，我们得到了在最小-最大博弈中希望最小化的判别器损失函数。