生成网络（GAN）是近年来很火的课题，原始论文《Generative Adversarial Nets》的介绍请移步：https://blog.csdn.net/wenqiwenqi123/article/details/86178376
本篇主要详细解析它的损失函数。在论文中损失函数定义为：
当然乍一看去，没看懂这个损失函数。我们细细来看：
GAN的原理就是G（生成器）努力制造以假乱真的图，而D（判别器）努力分辨出假图。这样一起努力最后生成的图就会越来越逼真。一切损失计算都是在D（判别器）输出处产生的，而D的输出一般是fake/true的判断，所以整体上采用的是二分类交叉熵函数。
左边包含两部分minG和maxD。
首先看一下maxD部分，因为训练一般是先保持G（生成器）不变训练D的。D的训练目标是正确区分fake/true，二分类问题使用了sigmoid激活函数，因此D（x）的输出范围是[0,1]，是一个概率。看第一项E，x~pdata指的是x采样于真实数据data的分布。如果我们以1/0代表true/fake，则对第一项E因为输入采样自真实数据所以我们期望D(x)趋近于1，因为D(x)∈[0,1]，也就意味着第一项(logD（x）)要更大。同理第二项E输入采样自G生成数据，所以我们期望D(G(z))趋近于0更好，也就是说第二项又是更大。所以是这一部分是期望训练使得整体更大了，也就是maxD的含义了。
第二部分保持D不变，训练G，这个时候只有第二项E有用了（第一项里没有G），因为我们要迷惑D，所以这时将生成的图的label设置为1(我们知道是fake，所以才叫迷惑)，希望D(G(z))输出接近于1更好，也就是1-D(G(z))接近于0更好，因此第二项越小越好（log函数），这就是minG。
生成器和判别器分别迭代优化，最终生成的图就可以以假乱真了。