GAN损失函数理解

原始损失函数

首先假设D对样本进行判别，1/0代表真/假。D的输出数值越高，代表D越认为该样本为正样本。
GAN的训练为先D后G。
G固定，训练D时的损失函数为

训练D时候，希望D能够尽可能识别出假样本，即D(G(z))尽可能接近0。
前一项数据x来自真实样本，所以希望D能将其识别为真样本，即D（x）尽可能接近1，即log(D(x))尽可能大。

第二项z来自随机向量，G(z)为生成的图像样本，所以希望D能够将其识别为假样本，即D(G(z))尽可能接近0，1-D(G(z))尽可能接近1，即log(1-D(G(z)))尽可能大。
两项都尽可能大，即整体尽可能大。所以D的损失函数V用max代表。
D固定，训练G时的损失函数为

训练G时候，希望D尽可能识别不出假样本，即D(G(z))尽可能接近1。1-D(G(z))尽可能接近0，即log(1-D(G(z)))尽可能大，即整体尽可能小。所以G的损失函数V用max代表。