GAN网络的损失函数

往期文章：GAN网络的通俗理解

在上篇文章中，我们对GAN网路进行了通俗的理解，这篇文章将进一步分析GAN网络论文鼻祖Generative Adversarial Net中提到的损失函数，话不多说，直接上公式：

原始论文的目标函数

这个公式看似复杂，其实只要我们理解了GAN的博弈过程，就可以很清楚的了解这个公式的含义了，我们直到，GAN是单独交替迭代训练的，所以这个目标函数也是分别对判别器和生成器进行优化的，首先对判别器进行优化，表达形式如下：

对判别器D进行优化

其中D（X）表示对真实的样本进行判别，这里，我们希望它的判别结果越接近于1越好，所以损失函数为log（D（x）)，而z是随机的输入，G(z)表示生成的样本，对于生成的样本，我们希望判别器的判别结果D（G（z））越接近于0越好，也就是让总数值最大，所以总体表达形式如上所示。

对生成器G进行优化

在完成对判别模型的优化之后，便是对生成模型进行优化，在这里，生成模型的优化很简单，只需要让判别的结果D（G(z)）接近于1就可以了，也就是让总数值最小。