在Keras中训练GANs时，是否需要多次通过来优化生成器和鉴别器？

Question

我比Keras更熟悉张量流图训练，但我在这里尝试Keras。在

在构建GAN时，需要针对与鉴别器不同的损耗（相反的损耗）对发生器进行优化。在基本tensorflow中，使用2个优化器或分别调用optimizer.compute_gradients(...)和{}并使用适当的权重组来实现这一点非常容易。在

在Keras，我看不出我能做到这两个。在Keras-GAN等实现中，生成器和鉴别器的训练似乎被分成单独的模型，然后逐个批独立地训练。这意味着每次有效更新需要更多的过程，而不是在一个过程中使用两个优化器的基本tensorflow实现。在

有没有一种方法来实现GANs的优化器，以便生成器和鉴别器都能在Keras中一次性得到训练？在

第1.14条

Answer 1

对于Keras来说，这是一个非常棘手的问题，原因如下：

1. 一个模型只能有一个优化器。。。必须更改源代码，使其接受两个或多个

2. 即使使用自定义优化器，也可以分离权重，但它不支持分离损失，如source code for optimizers所示。可能是优化器已经计算出最终的公共损失（这将导致无法为一组权重分配一个损失，而为另一组分配另一个损失）

3. 在代码中不容易找到训练机制。所有的事情都是分散的，支持很多事情，比如损失权重，样本权重等等。总结所有事情然后决定做什么/改变的时间太多了。

回答建议

用Keras制作你的模型。鉴别器，发生器，它们的连接和输出。在

只是不要编译它。相反，跟踪主张量（生成器输出、鉴别器输出、生成器输入），以Tensorflow样式创建损失函数，并以Tensorflow样式训练所有内容。在