Question

当我们使用wgan-gp损失训练gan时，需要根据评论者的输入对评论者的输出的梯度范数进行惩罚。

在原始论文和此keras工具（https://github.com/eriklindernoren/Keras-GAN/blob/master/wgan_gp/wgan_gp.py）中，生成器仅输出生成的图像，因此渐变为：

gradients = K.gradients(y_pred, averaged_samples)[0]
gradients_sqr = K.square(gradients)
gradients_sqr_sum = K.sum(gradients_sqr,axis=np.arange(1,len(gradients_sqr.shape)))

其中averaged_samples是image_real和image_fake的随机均匀插值，而gradients_sqr_sum的大小为（batch_size，），这是输出相对于输入的总和梯度。

如果我希望生成器输出生成的图像以及对象类别（例如，数字图像以及该图像包含的数字位数），则梯度范数应该是评论者对其所有输入（img和对象）的输出类别），对吗？

如果是，则代码应为

gradients = K.gradients(y_pred, [averaged_samples,averaged_class])
gradients_sqr_sum =tf.constant(np.zeros(batch_size))
for i in range(2):
    gradients_sqr = K.square(gradients[i])
    gradients_sqr_sum += K.sum(gradients_sqr,axis=np.arange(1,len(gradients_sqr.shape)))

这样，gradients_sqr_sum仍然是输出相对于所有输入的总和梯度。我说得对吗？

多输出发电机的wgan-gp损耗

0 个答案: