Gan网络损失函数理解

Gan网络的损失函数经常使用这条交叉熵损失函数，表示为：
$L(G,D)={\sum }_{}^{}E(log{D}_d)+{\sum }_{}^{}E[log(1-D(G(p)))]$.
公式中的含义：G生成器，D判别器，d表示真实的数据，Dd表示判别器对真实数据的判别结果，G§表示生成的假数据，D(G§)表示判别器对于假数据的判别结果。
log函数在区间【0,1】之间的取值是（-∞，0）是一个递增函数，这条公式体现了生成器和判别器博弈的过程，生成器希望这个损失约小越好，而判别器希望越大越好。
固定生成器G,训练判别器D，D越好，判断的可靠性就越高，判别器D希望对真实数据判别为1，假数据判别为0，其实是一个数值，真实数据越靠近1，若数据是真的，第一项越接近于1，G§是假数据，判别器希望判定为假，即D(G§)=0,那么1-D(G§)=1,所以判别器希望损失越大越好。
固定判别器D，训练生成器G,D被固定之后，第一项就是一个常数项，讨论第二项，对于生成器来说，它希望生成的数越真越好，能骗过判别器以为是真的，即D(G§)=1,那么第二项就接近于无穷小，所以生成器希望损失越小越好。