GAN 原理

D loss 和 G loss ：

LossD = Loss_fake + Loss_real
LossG = Loss_G_fake_D + 其他约束项

BCE loss的说明参考

GAN的loss导致问题

判别器 loss（BCE）: BCE loss全称: Binary Cross Entropy 二元交叉熵

      BCE接近0说明Discriminator可以非常容易的判别真假数据。说明Generator的训练结果不好, 理想情况下应该是无法判断真假数据才对。

     GAN最重要的思想，就是让判别器D分辨不出图像到底是真实的，还是虚拟生成的。也就是说，判别器不论在哪种输入条件下，他都应该输出0.5（输出范围是0-1），就是无法分类。GAN的完美D_loss和G_loss就是0.5。那么ln0.5 ≈ -0.693

生成器loss（MSE）：Mean Square Error Loss ，就是非常常见的方差

      生成器loss当然是越小越好。

---

GAN入门基础指导：

GAN入门基础指导
GAN
通俗理解GAN

softmax用于多分类，二分类的激活函数用sigmoid

CycleGAN（五）loss解析及更改与实验

---

GAN技巧：

10 条训练经验
GAN的训练和batch size的关系