Updates dl/gan/gan.md

Auto commit by GitBook Editor

Author: shunliz

dl/gan/gan.md

@@ -61,9 +61,8 @@ Discriminator是一个二元分类器，输入是图像，输出是两类：“
 其次，要定义loss function才能训练。前面说了，GANs可以看成一个博弈，那么博弈双方都会有cost（代价），如果是零和博弈，那么双方的cost之和为0。Discriminator是一个分类器，它的loss可以定义用交叉熵来定义：
 $$J^{(D)}(\theta^{(D)},\theta^{(G)})=-\frac {1}{2}E_{xP\sim _{data}}logD(x)-\frac {1}{2}E_zlog(1-D(G(z)))$$
 如果是零和博弈，那么Generator的loss就定义为：
-$$J^{(D)}(\theta^{(D)},\theta^{(G)})=-J^{eta^{(D)},\theta^{(G)})=\frac {1}{2}E_{xP\sim _{data}}logD(x)+\frac {1}{2}E_zlog(1-D(G(z)))
-
 
+$$J^{(D)}(\theta^{(D)},\theta^{(G)})=-J^{eta^{(D)},\theta^{(G)})=\frac {1}{2}E_{xP\sim _{data}}logD(x)+\frac {1}{2}E_zlog(1-D(G(z)))$$
 整个优化问题就是一个minmax博弈
 ![](/images/dl/gan/minmax.png)