对GAN的损失函数实际意义的理解

GAN训练流程

如图所示，GAN的训练是在一个大循环里先训练鉴别器，再训练生成器。
对于判别器的损失函数：

x为输入样本，z为latent，即隐变量，通常为随机噪声。设真实样本x为1，生成样本G(z)为0，我们期望的是鉴别器可以很好的区别真实样本和生成样本。而我们想达到的效果就是D(x)=1,D(G(z))=0,由此得出理想的loss=0，这样鉴别器就可以很好的区分真实样本和生成的样本。（但是我有个疑问，为什么这个损失函数前面没有负号，由于梯度的方向是函数增加的方向，那梯度下降时函数时不是会趋向负无穷吗？求大神解答）

对于生成器的损失函数

生成器的目的就是生成越来越真实的图片，这这部分更新的是G的参数，因此我们希望D(G(z))趋于1，在趋于1的过程中，由于G的参数的更新，损失函数值也在减小，从而生成更容易骗过鉴别器的图片，这是的参数更新规则如下：