La pérdida adversaria
Entrenamiento minimax en la práctica
La pérdida adversaria es una lección gratuita de Deep Learning Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Deep Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Deep Learning Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
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. 🎯
Preguntas frecuentes
¿La lección «La pérdida adversaria» es gratis?
Sí — el texto completo de «La pérdida adversaria» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Deep Learning Academy, actualiza a CoddyKit PRO. El curso de Deep Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «La pérdida adversaria»?
Entrenamiento minimax en la práctica Practicas Deep Learning Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Deep Learning Academy?
No se requiere experiencia previa. Deep Learning Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «La pérdida adversaria»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Deep Learning Academy?
Sí. Cada lección de Deep Learning Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Generador frente a discriminador: el juego
- La pérdida adversaria
- Construya una DCGAN
- Colapso de modos y trucos de estabilización