关于 GAN的论文说判别器使用以下梯度进行训练：
值被采样，通过生成器生成数据样本，然后判别器使用生成的数据样本进行反向传播。一旦生成器生成数据，它就不再在鉴别器的训练中发挥作用。换句话说，生成器可以完全从度量中移除，方法是让它生成数据样本，然后只处理样本。
不过，我对如何训练生成器有点困惑。它使用以下渐变：
在这种情况下，鉴别器是度量的一部分。它不能像以前的情况一样被删除。常规判别模型中的最小二乘或对数似然之类的东西很容易区分，因为它们有一个很好的、紧密的定义。但是，当指标依赖于另一个神经网络时，我对如何反向传播感到有点困惑。您是否本质上将生成器的输出附加到鉴别器的输入，然后将整个事物视为一个巨大的网络，其中鉴别器部分的权重是恒定的？
用伪代码来思考这个过程会有所帮助。让generator(z)成为一个函数，它采用均匀采样的噪声向量z并返回与输入向量相同大小的向量X；让我们称之为长度d。让discriminator(x)成为一个函数，它接受一个维度向量并返回一个属于真实数据分布d的标量概率。x为了训练：
G_sample = generator(Z)
D_real = discriminator(X)
D_fake = discriminator(G_sample)
D_loss = maximize mean of (log(D_real) + log(1 - D_fake))
G_loss = maximize mean of log(D_fake)
# Only update D(X)'s parameters
D_solver = Optimizer().minimize(D_loss, theta_D)
# Only update G(X)'s parameters
G_solver = Optimizer().minimize(G_loss, theta_G)
# theta_D and theta_G are the weights and biases of D and G respectively
Repeat the above for a number of epochs
所以，是的，你是对的，我们本质上认为生成器和鉴别器是一个巨大的网络，用于在我们使用假数据时交替小批量。生成器的损失函数负责这一半的梯度。如果您孤立地考虑这种网络训练，那么它的训练方式就像您通常训练 MLP 一样，其输入是生成器网络的最后一层输出。
您可以在此处（在许多地方）使用 Tensorflow 中的代码进行详细说明： http ://wiseodd.github.io/techblog/2016/09/17/gan-tensorflow/
看代码后应该很容易理解。
您是否本质上将生成器的输出附加到鉴别器的输入？>然后将整个事物视为一个巨大的网络，其中 >鉴别器部分的权重是恒定的？
很快：是的。（我挖掘了一些 GAN 的资源来仔细检查这一点）
GAN 训练还有很多其他内容，例如：我们应该每次更新 D 和 G，还是在奇数迭代时更新 D，在偶数迭代时更新 G，等等。还有一篇关于这个主题的非常好的论文：
“训练 GAN 的改进技术”
Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen
我发现了这个很棒的资源： https ://developers.google.com/machine-learning/gan/training
这是其中的一部分所以我们使用以下程序训练生成器： 1- 采样随机噪声。2- 从采样的随机噪声中产生发生器输出。3-获取发生器输出的鉴别器“真实”或“假”分类。4-计算鉴别器分类的损失。5- 通过鉴别器和生成器反向传播以获得梯度。6- 使用梯度只改变生成器的权重。
最近我在 github repo 上上传了各种 GAN 模型的集合。它基于torch7，并且非常容易运行。代码很简单，可以通过实验结果来理解。希望这会有所帮助