WGAN亏损分歧

Question

我很难理解WGAN损失值。

我知道我们不再有歧视，而是批评家。区别在于，鉴别器尝试将输入的人为匹配的分类器将其映射为0或1，而批评者尝试对其进行评分。 得分映射到任何实数，并且损失函数为：

L_critic =批判者（假输入）-批判者（实际输入）+重量*梯度罚分

生成假输入的生成器的Loss函数为：

L_generator =-评论家（fake_input）

我的问题是： 在大纪元时期，我的生成器和鉴别器的损失值相差很大，并且确实很高。这很常见吗？我在其他地方看到，《评论家的损失》降至0，但是什么可以确保呢？ 据我了解，评论家试图尽可能地将假货与真实商品得分。

[]