一直在訓練我的 Pix2Pix GAN，判別器損失在第 20 個 epoch 左右開始變為 0。然后從第 30 個 epoch 左右開始，它始終保持在 0。
然而，發電機損失不斷減少。在前幾個 epoch 開始時，generator loss 在 50 - 60 之間。在第 100 個 epoch 左右，generator loss 約為 4 - 5。然后從第 150 到第 350 個 epoch，generator loss 在 1 - 3 之間徘徊。
那么判別器損失為0是不是很糟糕？我將如何解決它？
uj5u.com熱心網友回復：
基本上，您不希望 Descriminator 損失為零，因為這意味著 Descriminator 做得太好（最重要的是，Generator 做得太差了），即它可以輕松區分假資料和真實資料（即生成器的創作與真實資料不夠接近）。
總而言之，以這種方式定義鑒別器的損失很重要，因為我們確實希望鑒別器嘗試減少這種損失，但整個 GAN 系統的最終目標是平衡損失。因此，如果一個損失變為零，它就是失敗模式（不再發生學習）。
為避免這種情況，您必須確保您的最后一個 Decriminator 層不是 Sigmoid 層，并且您的損失不受 [0, 1] 之間的限制。您可以嘗試使用BCE圖層或類似的東西。
uj5u.com熱心網友回復：
對我來說，GAN 網路是移動網路，對于大多數網路來說，關于訓練和損失值的行為之前的答案是正確的，精確的小損失評估值的數量并不能保證結果。
損失評估值僅與訓練步驟進行比較，目標估計和學習權重看到一些樣本對于損失數計算非常大，但分類任務正在作業。
此外，一些輸出是二進制數輸出或序列，正如前面的答案所說，不使用 sigmoids 函式，但 softmax 或激活函式是你可以在這里扮演的更多角色。
答：損失評估值達到0或大于5或然后還不錯，但它與您如何選擇功能有關。
[示例二進制序列]：
group_1_ShoryuKen_Left = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,0,0,0,0, 0,0,0,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,1,0,0 ], shape=(1, 1, 1, 48))
group_1_ShoryuKen_Right = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,1,0,0,0,0,0, 0,0,0,0,0,0,1,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,1,0,0 ], shape=(1, 1, 1, 48))
group_2_HadoKen_Left = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,0,0,0,0, 0,0,0,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,1,0 ], shape=(1, 1, 1, 48))
group_2_HadoKen_Right = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,1,0,0,0,0,0, 0,0,0,0,0,0,1,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,1,0 ], shape=(1, 1, 1, 48))
group_2_Heriken_kick_Left = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,1,0,0,0,0,0, 0,0,0,0,0,0,1,0,0,0,0,0, 0,0,0,0,0,0,0,0,1,0,0,0 ], shape=(1, 1, 1, 48))
group_2_Heriken_kick_Right = tf.constant([ 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,0,1,0,0,0,0, 0,0,0,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,0,0,0,1,0,0,0 ], shape=(1, 1, 1, 48))
[ 輸出 ]：
轉載請註明出處，本文鏈接：https://www.uj5u.com/gongcheng/476645.html
上一篇：如何在自定義層張量流中修改張量？