丰润区建设局网站新华书店的做的数字阅读网站
今天小陶在训练CGAN的时候出现了绷不住的情况，那就是G_loss（生成器的loss值）一路狂飙，一直上升到了6才逐渐平稳。而D_loss（判别器的loss值）却越来越小，具体的情况就看下面的图片吧。其实这在GAN训练里是非常容易遇到的问题，所以不用慌，是有解决的办法的。小陶就通过一些手段进行调控，最终获得了比较满意的效果。
在介绍处理方法之前，首先絮叨絮叨为什么训练GAN容易出现上面左右这样的情况。当然，需要明确的是，GAN的效果如何，其实是很主观的事情，也许和loss表现的趋势没啥太大的关系，也许在loss表现不对劲的情况下也能生成效果好的图片。
如果你理解GAN原理的话（不理解可以去看文章『GAN入门(一)：GAN的基本原理概述（新手易懂版）』以及『GAN入门(二)：GAN的算法公式流程介绍）』），肯定知道所谓对抗，就是生成器和判别器的对抗。生成器在判别器的指导下将一段噪声变成符合我们需求的图片。上面左图就是生成器和判别器能力悬殊，生成器生成的照片已经无法来欺骗判别器了。所以G_loss就一直上升，具体在图片上的表现是生成了空白图片或者纯噪声图片，没啥价值，例如下面的图片就是我生成过程中出现的无价值图片。想要改变这个情况，那就要调整生成器的能力或者削弱判别器的能力。当然，我们更希望通过增强生成器的学习能力来让其与判别器势均力敌。让生成器和判别器势均力敌的方法有很多。
下面就介绍小陶自己实际使用的调整方法：（具体解决方案）训练GAN深度学习的时候出现生成器loss一直上升但判别器loss趋于0 - 陶小桃Blog今天小陶在训练CGAN的时候出现了绷不住的情况，那就是G_loss（生成器的loss值）一路狂飙，一直上升到了6才逐渐平稳。而D_loss（判别器的loss值）却越来越小，具体的情况就看下面的图...
https://www.52txr.cn/2023/ganlossmodified.html