在这篇论文中，有一个关于 gans 损失如何通过 epochs 的图。

图 2：

这些当然是平均损失。

鉴别器损失和生成器损失如何减少？

real_y = discriminator(real_sample)
fake_y = discriminator(generator(noise))
discriminator_loss = real_y-fake_y+1 # nicer, it is between 0 and 2

fake_y = discriminator(generator(noise))
generator_loss = fake_y

我预计其中一项损失会随着另一项损失的减少而增加。因为他们使用相同的计算fake_y和 一个减少-fake_y和另一个fake_y。一个优化器赚得fake_y更少，而另一个优化器赚得更多。

也许损失函数没有像我说的那样计算。

在广泛使用的类比中：

简单来说，生成器就像一个伪造者试图生产一些假冒材料，而鉴别器就像警察试图检测伪造的物品。

我们可以通过 100 个赝品中有多少次能识别出真假和伪造者在 100 个赝品中欺骗警察来衡量警察的好坏。

那不是说如果警察变得更好，伪造者就会变得更糟吗？（如果使用上述衡量它们有多好的方法）

因此，我们将无法同时看到他们两个都很好！但论文中的图表表明并非如此。

我错过了什么？