生成網絡（GAN）是近年來很火的課題，原始論文《Generative Adversarial Nets》的介紹請移步：https://blog.csdn.net/wenqiwenqi123/article/details/86178376
本篇主要詳細解析它的損失函數。在論文中損失函數定義爲：
當然乍一看去，沒看懂這個損失函數。我們細細來看：
GAN的原理就是G（生成器）努力製造以假亂真的圖，而D（判別器）努力分辨出假圖。這樣一起努力最後生成的圖就會越來越逼真。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分類交叉熵函數。
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，二分類問題使用了sigmoid激活函數，因此D（x）的輸出範圍是[0,1]，是一個概率。看第一項E，x~pdata指的是x採樣於真實數據data的分佈。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，因爲D(x)∈[0,1]，也就意味着第一項(logD（x）)要更大。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（第一項裏沒有G），因爲我們要迷惑D，所以這時將生成的圖的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1-D(G(z))接近於0更好，因此第二項越小越好（log函數），這就是minG。
生成器和判別器分別迭代優化，最終生成的圖就可以以假亂真了。