Question

这是该帖子的后续内容： Calculating loss in dcgan已选择答案，但对我来说似乎不合适。

总结：在tensor flow tutorial about dcgan中，他们定义了这样的损失函数：

def generator_loss(generated_output):
    return tf.losses.sigmoid_cross_entropy(tf.ones_like(generated_output), generated_output)

问题是为什么他们使用“ tf.ones_like（generated_output）”。大卫·帕克斯（David Parks）对前面提到的帖子的回答是，这是因为

鉴别器输出在[0，1]范围内

我以为是这种情况，但后来我发现鉴别器实际上并没有返回0到1之间的值。

鉴别符的定义以：

结尾

model.add(tf.keras.layers.Dense(1))

而不是：

model.add(tf.keras.layers.Dense(1))
model.add(tf.keras.layers.Activation("sigmoid"))

如我所愿。

4个生成的图片和4个真实图片的鉴别器的输出（经过几个时期）实际上看起来像：

GENERATED:  tf.Tensor(
[[-1.5261561 ]
 [-2.6044064 ]
 [-0.55789095]
 [-1.0553275 ]], shape=(4, 1), dtype=float32)
REAL:  tf.Tensor(
[[ 2.048546 ]
 [ 2.900073 ]
 [-2.3295398]
 [-1.098418 ]], shape=(4, 1), dtype=float32)

我认为区分器的这种设计可能是一个错误，并且事实上仍然可行，这也许是偶然的。因此，我尝试将S型激活层添加到鉴别器中，但这实际上严重降低了性能。经过几个时期后，它的输出看起来像这样：

GENERATED:  tf.Tensor(
[[1.5318394e-05]
 [5.3527951e-04]
 [3.1036139e-04]
 [6.9439411e-06]], shape=(4, 1), dtype=float32)
REAL:  tf.Tensor(
[[1.1146069e-05]
 [1.4841557e-05]
 [5.9306622e-06]
 [5.2452087e-06]], shape=(4, 1), dtype=float32)

所以现在我完全迷路了。还有其他解释吗？我正在尝试重新制作脚本以生成其他（彩色）图像，但是它不会学习（它只会生成疯狂的噪音），我怀疑这可能是原因的一部分。

计算dcgan跟踪中的损耗

0 个答案: