GAN损失函数Pytorch代码

以下是一个简单的GAN损失函数Pytorch代码：

import torch
import torch.nn.functional as F

def generator_loss(fake_output):
    """
    计算生成器的损失函数

    参数：
    - fake_output: 生成器生成的假图像的输出

    返回值：
    - 生成器的损失函数值
    """
    return F.binary_cross_entropy(fake_output, torch.ones_like(fake_output))

def discriminator_loss(real_output, fake_output):
    """
    计算判别器的损失函数

    参数：
    - real_output: 判别器对于真实图像的输出
    - fake_output: 判别器对于生成器生成的假图像的输出

    返回值：
    - 判别器的损失函数值
    """
    real_loss = F.binary_cross_entropy(real_output, torch.ones_like(real_output))
    fake_loss = F.binary_cross_entropy(fake_output, torch.zeros_like(fake_output))
    total_loss = real_loss + fake_loss
    return total_loss

在这个代码中，我们使用了二元交叉熵损失函数来计算生成器和判别器的损失函数。对于生成器，我们希望它生成的图像能够被判别器视为真实图像，因此我们将生成器生成的假图像的输出与一个全是1的张量进行二元交叉熵计算。对于判别器，我们希望它能够准确地区分真实图像和假图像，因此我们将真实图像的输出与一个全是1的张量进行二元交叉熵计算，将生成器生成的假图像的输出与一个全是0的张量进行二元交叉熵计算，然后将两个损失相加得到总的损失函数。