GAN的Loss的比较研究（2）——传统GAN的Loss的理解2

判别器（Discriminator）输入一个图片$\mathbf{x}$，输出y表示分类（仅有0和1两个分类）的概率，该模型可以很直观地用条件概率来描述——$P_D(y|\mathbf{x})$，于是展开有：
$$P_D(y|\mathbf{x})=\{\begin{array}{l}{P}_D(y=1|\mathbf{x}\in X_r)\\ P_D(y=0|\mathbf{x}\in X_r)\\ P_D(y=1|\mathbf{x}\in X_f)\\ P_D(y=0|\mathbf{x}\in X_f)\end{array}(1)$$
上式中“$\mathbf{x}\in X_f$”表示：样本$\mathbf{x}$来自假图（Fake Images）集合$X_f$，同理，“$\mathbf{x}\in X_r$”表示：样本$\mathbf{x}$来自真图（real Images）集合$X_r$。$P_D(y|\mathbf{x})$表示给定输入$\mathbf{x}$的条件概率，而$P_D(y|\mathbf{x})$恰好是判别器（Discriminator）的输出。
同理，Ground Truth也可以用这样的描述方式，并且有：
$$P_{gt}(y|\mathbf{x})=\{\begin{array}{l}{P}_{gt}(y=1|\mathbf{x}\in X_r)=1\\ P_{gt}\end{array}$$