Keras训练GAN时联合模型准确率误报100%的原因咨询

你遇到的这个矛盾现象（判别器准确率100%，生成器只产噪声，但联合模型准确率也100%），最可能的根源是你的判别器最后一层缺少sigmoid激活函数，导致准确率计算出现了误导性的结果。

具体原因解释： #

GAN的判别器本质是二分类器，需要输出[0,1]范围内的概率值来表示输入是真实图片的置信度，这依赖最后一层的sigmoid激活。如果没有这个激活，判别器输出的是未归一化的logit值（可以是任意正负实数）：

1. 判别器训练阶段：真实图片会让判别器输出很大的正数，假图片输出很大的负数。Keras的binary_accuracy是通过对输出取整（round()）来判断分类结果的——正数会被判定为1，负数判定为0，刚好和你设置的真实标签（1）、假标签（0）完全匹配，所以显示100%准确率，但这只是判别器输出了极端值，并没有真正学习到区分真假图片的特征。
2. 生成器训练阶段：生成器只需要调整权重，让判别器的输出从负数变成正数，就能让binary_accuracy显示100%（取整后等于你给的标签1）。但生成的图片依然是噪声——判别器的输出只是符号变了，并没有真正认为这些图片是真实的。

解决步骤： #

1. 修复判别器的输出层：修改create_discriminator()函数，确保最后一层添加sigmoid激活：

def create_discriminator():
    # ... 你的其他层定义 ...
    # 最后一层必须加上sigmoid激活
    output_layer = Dense(1, activation='sigmoid')(previous_layer)
    discriminator = Model(inputs=your_input_layer, outputs=output_layer)
    return discriminator

2. 检查其他潜在问题：
   • 确保真实图片和生成图片的数据范围一致（比如都归一化到[0,1]或[-1,1]），否则判别器可能直接通过数据范围区分真假，导致快速过拟合。
   • 调整学习率平衡：你当前判别器用SGD(1e-4)，生成器用RMSprop(1e-5)，可以尝试降低判别器的学习率，或者让生成器的学习率略高一些，避免判别器过快压制生成器。
   • 训练时的判别器状态：虽然你已经设置了discriminator.trainable=False来构建联合模型，但要注意Keras中trainable属性仅在模型编译时生效——你最初编译判别器时它是可训练的，所以后续训练判别器时权重会正常更新，这部分是没问题的。

内容的提问来源于stack exchange，提问作者Nghia Truong