生成网络常用的损失函数

生成对抗网络（GANs）的常用损失函数由两个部分组成：判别器损失（D_loss）和生成器损失（G_loss）。这些损失函数的设计旨在让生成器学习创建逼真的样本以欺骗判别器，而判别器则努力区分真实样本与生成样本。

1. **判别器损失**[^2]：
- 训练判别器的目标是最大化其正确识别真实样本和生成样本的能力。这通常通过二元交叉熵（binary cross-entropy）来实现，即对于真实样本，损失是期望值log(D(x))；对于生成样本，由于希望判别器误判，损失是-log(1 - D(G(z)))，其中x代表真实样本，G(z)表示生成样本。

2. **生成器损失**[^1]：
- 生成器的损失函数设计为对抗性损失，它试图最小化判别器对生成样本的置信度，即adversarial_loss为-log(D(G(z)))。生成器优化这个损失是为了尽可能地让生成的样本看起来像真实的。

具体到代码示例：

# 假设我们有预定义的函数discriminator和adversarial_loss
def discriminator(imgs):
    pass

def adversarial_loss(real_scores, fake_scores):
    real_loss = -torch.log(real_scores)
    fake_loss = -torch.log(1 - fake_scores)
    return torch.mean(real_loss + fake_loss)

g_loss = adversarial_loss(discriminator(gen_imgs), real)  # gen_imgs是生成器产生的假样本，real是真实样本
g_loss.backward()
optimizer_G.step()  # 使用反向传播更新生成器参数