为什么我们在编译组合 GAN (SRGAN) 网络时使用两个损失答案

【问题标题】：Why we use two losses while compiling the combined GAN (SRGAN) network为什么我们在编译组合 GAN (SRGAN) 网络时使用两个损失
【发布时间】：2020-11-01 05:31:20
【问题描述】：

我正在研究 SRGAN（超分辨率 GAN）。我遇到了一个代码，其中作者在编译鉴别器时使用了 MSE 损失。和两个损失，即二元交叉熵和 MSE，同时编译组合 GAN 模型。我不明白这些损失函数的用途。这是代码。编译判别器的代码是：

discriminator = build_discriminator()
discriminator.compile(loss='mse', optimizer=common_optimizer, metrics=['accuracy']

而编译组合GAN模型的代码是：

adversarial_model = Model([input_low_resolution, input_high_resolution], [probs, features])
adversarial_model.compile(loss=['binary_crossentropy', 'mse'], loss_weights=[1e-3, 1],
                      optimizer=common_optimizer)

还有一件事.. 对于下面的代码行，我得到如下所示的输出。我不明白这个输出是什么意思。

g_loss = adversarial_model.train_on_batch([low_resolution_images, high_resolution_images],
                                          [real_labels, image_features])

Result of the above mentioned code

【问题讨论】：

标签： loss-function loss generative-adversarial-network

【解决方案1】：

如果是生成器生成的假图像，则对真实图像进行 MSE 损失。如果是判别器判断的假图像，使用BCE损失。

【讨论】：

我两者都用，结合损失，使网络更强大，经过验证。