D loss 和 G loss :
LossD = Loss_fake + Loss_real
LossG = Loss_G_fake_D + 其他约束项
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:
softmax用于多分类,二分类的激活函数用sigmoid