Least Squares Generative Adversarial Networks
Xudong Mao, Qing Li, Haoran Xie, Raymond Y.K. Lau, Zhen Wang, Stephen Paul Smolley
论文链接：https://arxiv.org/pdf/1611.04076.pdf
1.简介
传统的GAN的 Discriminator网络采用的是sigmoid cross entropy loss，在训练的时候容易发生梯度弥散。
所以本篇论文选择了另一种损失函数：Least Squares loss function，具备以下两种优点：
①比传统gan网络生成的图片的质量要高
②训练过程更加stable
2.核心思想
将损失函数替换为：least squares loss
3.具体实现
这里注意到它的网络结构里面用的也是convolution layer，可以说是经由DCGAN演化而来
跟DCGAN相比，多了一些stride=1的卷积。
在LSUN bedroom数据集上实验，产生的图像效果跟DCGAN没有什么差别（架构跟DCGAN相同，只是改了目标函数），
实际上，你可以直接把DCGAN的代码修改一下目标函数，就成了LSGAN。
但是训练的效果可能没有作者提出的架构好，毕竟架构上有稍许差异
4、讨论
①生成图片质量比传统GAN高的原因
这图1和这一大段话基本在说这么一件事：
对于一些G生成的样本，如果判别器D判定它们为real，
在使用传统损失函数sigmoid cross entropy loss的情况下：那么这些样本就不会再得到优化
但使用least squares loss 的情况下，这些图片会继续得到优化，所以生成的图像质量会更高
②训练更稳定：
sigmoid交叉熵损失很容易就达到饱和状态（饱和是指梯度为0），而最小二乘损失只在一点达到饱和
5.参数设置
方法①
方案②
