最近我学到了Generative Adversarial Networks .

为了训练发电机，我对它的学习方式感到困惑 . Here是GAN的实施：

`# train generator
            z = Variable(xp.random.uniform(-1, 1, (batchsize, nz), dtype=np.float32))
            x = gen(z)
            yl = dis(x)
            L_gen = F.softmax_cross_entropy(yl, Variable(xp.zeros(batchsize, dtype=np.int32)))
            L_dis = F.softmax_cross_entropy(yl, Variable(xp.ones(batchsize, dtype=np.int32)))

        # train discriminator

        x2 = Variable(cuda.to_gpu(x2))
        yl2 = dis(x2)
        L_dis += F.softmax_cross_entropy(yl2, Variable(xp.zeros(batchsize, dtype=np.int32)))

        #print "forward done"

        o_gen.zero_grads()
        L_gen.backward()
        o_gen.update()

        o_dis.zero_grads()
        L_dis.backward()
        o_dis.update()`

所以它计算了发电机的损耗，正如文中提到的那样 . 但是，它根据Discriminator输出调用Generator向后功能 . 鉴别器输出只是一个数字（不是数组） .

但是我们知道，一般来说，为了训练网络，我们在最后一层计算一个损失函数（最后一层输出和实际输出之间的损失）然后我们计算梯度 . 因此，例如，如果输出是64 * 64，那么我们将它与64 * 64图像进行比较，然后计算损耗并进行反向传播 .

但是，在我在Generative Adversarial Networks中看到的代码中，我看到它们从鉴别器输出（这只是一个数字）计算发生器的损耗，然后它们调用Generator的反向传播 . 发生器最后一层是例如64 * 64像素，但鉴别器丢失是1 * 1（这与通常的网络不同）所以我不明白它是如何导致生成器被学习和训练的？

我想如果我们连接两个网络（附加Generator和Discriminator）然后调用反向传播但只更新Generators参数，它是有意义的，它应该工作 . 但我在代码中看到的完全不同 .

所以我问这怎么可能？

谢谢

machine-learning neural-network deep-learning generative