GAN的损失函数和二元交叉熵损失的对应及代码

以下解释为GPT生成

在这里插入图片描述

这里有个问题，使用二元交叉熵，的时候生成器的损失如何体现

看代码

import torch
import torch.nn as nn
import torch.optim as optim# 设置设备为GPU或CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 定义生成器 (Generator)
class Generator(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(Generator, self).__init__()self.model = nn.Sequential(nn.Linear(input_size, hidden_size),nn.ReLU(),nn.Linear(hidden_size, hidden_size),nn.ReLU(),nn.Linear(hidden_size, output_size),nn.Tanh()  # 输出范围在 [-1, 1] 之间)def forward(self, x):return self.model(x)# 定义判别器 (Discriminator)
class Discriminator(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(Discriminator, self).__init__()self.model = nn.Sequential(nn.Linear(input_size, hidden_size),nn.ReLU(),nn.Linear(hidden_size, hidden_size),nn.ReLU(),nn.Linear(hidden_size, output_size),nn.Sigmoid()  # 输出概率 [0, 1])def forward(self, x):return self.model(x)# 超参数设置
input_size = 100  # 生成器输入噪声向量的维度
hidden_size = 128
output_size = 1   # 判别器的输出是一个概率
data_size = 784   # 假设输入数据的维度（例如，MNIST 图片 28x28 展开成 784 维向量）# 初始化生成器和判别器
G = Generator(input_size, hidden_size, data_size).to(device)
D = Discriminator(data_size, hidden_size, output_size).to(device)# 定义损失函数（二元交叉熵损失）
criterion = nn.BCELoss()# 优化器
lr = 0.0002
optimizer_G = optim.Adam(G.parameters(), lr=lr)
optimizer_D = optim.Adam(D.parameters(), lr=lr)# 生成随机噪声的函数（用于生成器）
def generate_noise(batch_size, input_size):return torch.randn(batch_size, input_size).to(device)# 假设我们有一个简单的生成数据和真实数据的函数
def get_real_data(batch_size):# 这里我们用随机生成的假数据来模拟真实数据return torch.randn(batch_size, data_size).to(device)# 训练步骤
epochs = 1000
batch_size = 64for epoch in range(epochs):# 训练判别器real_data = get_real_data(batch_size)  # 获取真实数据noise = generate_noise(batch_size, input_size)  # 生成噪声fake_data = G(noise)  # 生成数据# 判别器的目标：正确区分真实数据和生成数据real_labels = torch.ones(batch_size, 1).to(device)  # 真实数据的标签为1fake_labels = torch.zeros(batch_size, 1).to(device)  # 生成数据的标签为0# 判别器对真实数据的损失outputs_real = D(real_data)D_loss_real = criterion(outputs_real, real_labels)# 判别器对生成数据的损失outputs_fake = D(fake_data.detach())  # 对生成数据的判别（生成数据不传递梯度给生成器）D_loss_fake = criterion(outputs_fake, fake_labels)# 判别器总损失D_loss = D_loss_real + D_loss_fake# 更新判别器optimizer_D.zero_grad()D_loss.backward()optimizer_D.step()# 训练生成器noise = generate_noise(batch_size, input_size)  # 生成新的噪声fake_data = G(noise)  # 生成新的假数据# 生成器的目标：欺骗判别器，让判别器认为生成的数据是真实的outputs_fake = D(fake_data)G_loss = criterion(outputs_fake, real_labels)  # 生成器希望生成的数据被判为真实数据，因此标签设为1# 更新生成器optimizer_G.zero_grad()G_loss.backward()optimizer_G.step()# 每隔一段时间打印损失if epoch % 100 == 0:print(f"Epoch [{epoch}/{epochs}] | D Loss: {D_loss.item():.4f} | G Loss: {G_loss.item():.4f}")