WGAN论文具体提出了算法 1（参见第 8 页）。现在，他们还说明了评论家和生成器的损失是多少。

在实现critic loss时（算法1的第5行和第6行），它们最大化参数$w$（而不是像通常那样最小化它们）通过编写$w \leftarrow w + \alpha \cdot \text{RMSProp}\left(w, g_w \right)$. 他们的损失似乎是

$$\frac{1}{m}\sum_{i = 1}^{m}f_{w}\left(x^{\left(i\right)} \right) - \frac{1}{m}\sum_{i = 1}^{m} f_{w}\left( g_{\theta}\left( z^{\left( i\right)}\right)\right).\quad \quad (1)$$

功能$f$是critic，即神经网络，在这个youtbe视频（参见11:00到12:26分钟）中，这个损失在PyTorch中实现的方式如下：

critic_real = critic(real_images)

critic_fake = critic(generator(noise))

loss_critic = -(torch.mean(critic_real) - torch.mean(critic_fake))

我的问题是：在我自己对CelebA 数据集的实验中，我发现评论家损失是负的，如果负面评论家损失更高而不是更低，图像的质量会更好，所以$-0.75$因为评论家损失比评论家损失产生更好的生成图像$-1.26$例如

Eq 的 youtube 视频中的实现是否有错误？（1）和WGAN论文的算法1可能吗？在我看来，视频中的实现是正确的，但是我仍然对为什么当损失更高时我得到更好的图像感到困惑......

干杯!