轉載自：https://www.cnblogs.com/walter-xh/p/10051634.html
GAN的原始損失函數，咋一看是非常難以理解的，但仔細理解後就會發現其簡潔性和豐富的含義。
損失函數定義：
一切損失計算都是在D（判別器）輸出處產生的，而D的輸出一般是fake/true的判斷，所以整體上採用的是二進制交叉熵函數。
左邊包含兩部分minG和maxD。
首先看一下maxD部分，因爲訓練一般是先保持G（生成器）不變訓練D的。D的訓練目標是正確區分fake/true，如果我們以1/0代表true/fake，則對第一項E因爲輸入採樣自真實數據所以我們期望D(x)趨近於1，也就是第一項更大。同理第二項E輸入採樣自G生成數據，所以我們期望D(G(z))趨近於0更好，也就是說第二項又是更大。所以是這一部分是期望訓練使得整體更大了，也就是maxD的含義了。
第二部分保持D不變，訓練G，這個時候只有第二項E有用了，關鍵來了，因爲我們要迷惑D，所以這時將label設置爲1(我們知道是fake，所以才叫迷惑)，希望D(G(z))輸出接近於1更好，也就是這一項越小越好，這就是minG。當然判別器哪有這麼好糊弄，所以這個時候判別器就會產生比較大的誤差，誤差會更新G，那麼G就會變得更好了，這次沒有騙過你，只能下次更努力了。
大概就是這樣一個博弈過程了。自娛自樂，高手刷到請略過。
代碼參考：50行代碼實現GAN-pytorch。