无法理解 tensorflow 文档中使用的 GAN 模型的损失函数答案

【问题标题】：Can't understand the loss functions for the GAN model used in the tensorflow documentation无法理解 tensorflow 文档中使用的 GAN 模型的损失函数
【发布时间】：2020-08-12 18:31:29
【问题描述】：

我无法理解 TensorFlow 文档中 GAN 模型中的损失函数。为什么将tf.ones_like() 用于real_loss 和tf.zeros_like() 用于假输出？？

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

【问题讨论】：

标签： machine-learning deep-learning tensorflow2.0 generative-adversarial-network

【解决方案1】：

我们有以下损失函数，我们需要以最小最大方式（或最小最大，如果你想这样称呼它）最小化。

generator_loss = -log(generated_labels)
discriminator_loss = -log(real_labels) - log(1 - generated_labels)

其中real_output = real_labels 和fake_output = generated_labels。

现在，考虑到这一点，让我们看看 TensorFlow 文档中的代码 sn-p 代表什么：

real_loss = cross_entropy(tf.ones_like(real_output), real_output) 评估为
- 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) 评估为
- fake_loss = -0 * log(fake_output) - (1 - 0) * log(1 - fake_output) = -log(1 - fake_output)
total_loss = real_loss + fake_loss 评估为
- total_loss = -log(real_output) - log(1 - fake_output)

显然，我们得到了我们想要最小化的 mini-max 游戏中判别器的损失函数。

【讨论】：