生成对抗网络GAN损失函数Loss的计算
2017-07-31 15:24
134 查看
损失函数的计算
辨别器对假数据的损失原理相同,最终达到的目标是对于所有的真实图片,输出为1;对于所有的假图片,输出为0。生成器的目标是愚弄辨别器蒙混过关,需要达到的目标是对于生成的图片,输出为1(正好和鉴别器相反).
d_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_real,labels=tf.ones_like(d_logits_real) * (1 - smooth))) d_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake,labels=tf.zeros_like(d_logits_real))) d_loss = d_loss_real + d_loss_fake g_loss = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(logits=d_logits_fake, labels=tf.ones_like(d_logits_fake))
相关文章推荐
- 【深度学习】生成对抗网络Generative Adversarial Nets
- 50行代码实现对抗生成网络GAN
- tensorflow 1.01中GAN(生成对抗网络)手写字体生成例子(MINST)的测试
- 生成对抗网络(GAN)应用于图像分类
- 深度卷积生成对抗网络--DCGAN
- 洞见 | 生成对抗网络GAN最近在NLP领域有哪些应用?
- Tensorflow(1.0)基于对抗生成网络生成明星脸
- 生成对抗网络(GAN)相比传统训练方法有什么优势?(一)
- 谷歌推出TFGAN:开源的轻量级生成对抗网络库
- 生成对抗网络学习笔记4----GAN(Generative Adversarial Nets)的实现
- 学习笔记-对抗生成网络
- 生成对抗网络的简单介绍(TensorFlow 代码)
- [生成对抗网络] 论文研读-SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient
- 深度学习界明星:生成对抗网络与Improving GAN
- 生成对抗网络学习笔记2----GANs(Generative Adversarial Nets)总结
- 【学习笔记】训练简单生成对抗网络
- 论文生成对抗网络
- 生成对抗网络综述:从架构到训练技巧,看这篇论文就够了
- 简单理解与实验生成对抗网络GAN
- 深度 | 生成对抗网络初学入门:一文读懂GAN的基本原理(附资源)