gan网络损失函数_GAN（生成对抗网络）背后的数学

详细了解原始GAN背后的数学原理及其局限性

1.简介

生成对抗网络(GAN)包含两个模型：生成模型G和鉴别模型D。可以将生成模型视为伪造者，该伪造者试图生成假货币并在不被捕获的情况下使用它，而鉴别模型是类似于警察，试图抓住假币。 这场竞争一直持续到造假者变得足够聪明以成功欺骗警察为止。

Figure 1: Representation of the generator and discriminator as a counterfeiter and police, respectively. Figure from [1].

换一种说法，

鉴别器：作用是区分实际数据和生成的(伪)数据。

生成器(Generator)：其作用是创建数据，使欺骗者无法使用。

2.一些参数和变量

在推导之前，我们先介绍一些参数和变量。

3.损失函数的推导

Ian Goodfellow等人在原始论文中描述了损失函数。 可以从二进制交叉熵损失的公式得出。 二进制交叉熵损失可以写成：

3.1鉴别器损失

现在，鉴别器的目的是正确分类假数据和真实数据集。 为此，应将等式(1)和(2)最大化，鉴别器的最终损失函数可以表示为：

3.2生成器损耗

在这里，生成器正在与鉴别