Der adversariale Loss
Minimax-Training in der Praxis.
Der adversariale Loss ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Loss Drives Both Players
Every GAN player learns from a loss that scores how well it did. The two losses pull in opposite directions, which is what makes training adversarial.
The Min-Max Game
GAN training is a min-max game: the discriminator tries to maximize its score while the generator tries to minimize it. Neither fully wins.
Binary Cross-Entropy
Most GANs measure each prediction with binary cross-entropy, the standard loss for a real-versus-fake yes or no decision.
criterion = nn.BCELoss()Discriminator on Real Data
First the discriminator sees real images and should call them real. Its real loss pushes those outputs toward the label 1.
out_real = D(real)
loss_real = criterion(out_real, ones)Discriminator on Fakes
Next it judges generated images and should call them fake. The fake loss pushes those outputs toward the label 0.
out_fake = D(fake.detach())
loss_fake = criterion(out_fake, zeros)Why detach the Fakes
When updating the discriminator you call detach on the fakes so gradients do not flow back into the generator on this step.
fake.detach()The Generator's Loss
The generator wants its fakes labeled real, so its loss compares the discriminator's verdict on fakes against the label 1.
out = D(fake)
loss_g = criterion(out, ones)The Non-Saturating Trick
Telling the generator to maximize real-ness, instead of just minimizing fake-ness, gives stronger early gradients. This is the non-saturating loss.
Two Updates, One Round
Each training round does two updates: first the discriminator on its combined loss, then the generator on its own. Order and timing matter.
A Moving Target
Because both networks change every step, each one chases a moving target. This is why GAN losses bounce around instead of falling smoothly.
Losses Are Not Accuracy
In a GAN a falling loss does not mean better images. You judge quality by looking at samples, not by the loss number alone. 👀
Quick Check
One detail trips up many beginners.
Recap: Adversarial Loss
You saw the min-max game: cross-entropy guides both players, fakes are detached for the judge, and samples, not loss, reveal real progress. 🎯
Häufig gestellte Fragen
Ist die Lektion „Der adversariale Loss“ kostenlos?
Ja — der vollständige Text von „Der adversariale Loss“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Der adversariale Loss“?
Minimax-Training in der Praxis. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Der adversariale Loss“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Generator vs. Discriminator: Das Spiel
- Der adversariale Loss
- Einen DCGAN erstellen
- Mode Collapse und stabilisierende Tricks