srgan的特點之一就是引進了損失感知函式，由此提公升了超解析度之後的細節資訊。本文主要像您介紹srgan使用的損失函式，及其keras實現。
這是原文中給出的損失函式。
容易看出，此損失函式包括兩部分，第一部分是感知損失，第二部分是正則化損失。
感知損失是由李飛飛團隊提出的一種損失函式。
感知損失分了兩部分，內容損失和對抗損失。
內容損失
**中給出的內容損失如下：
**中指出：傳統的超解析度任務中直接使用的均方根誤差(mse)的損失函式，雖然有助於提高超解析度任務的峰值訊雜比(psnr)，但是對於影象的細節卻是起到了模糊作用。本文使用的內容損失，是將生成器生成的假高解析度影象和真實的高解析度影象送入vgg19網路中進行特徵提取，然後在提取的特徵圖上再使用均方根誤差。這裡並非是利用全部的vgg19網路提取特徵，而是僅僅利用其中一部分。所以對應不同層數的vgg19網路進行提取。例如使用前9層進行特徵提取，或者前7層進行特徵提取。公式下方也講了：這裡的i和j分別就是指第i層最大池化前的第j個卷積層。作者進行了實驗，在vgg網路不同位置提取出的特徵圖，並將其均方根誤差作為內容損失進行了訓練。作者選取的層數如下：
srgan-mse是直接使用mse在假高分影象和真高分影象之間計算。srgan-vgg22：是利用第二個最大池化前的第二個卷積層之前的網路進行特徵提取，在假高分影象和真高分影象進行mse均方根誤差的計算。也就是vgg19網路的前4層進行特徵提取。srgan-vgg54：是利用第五個最大池化前的第四個卷積層之前的網路進行特徵提取，在假高分影象和真高分影象進行mse均方根誤差的計算。也就是vgg網路的前16層的輸出。實驗結果表明，srgan-vgg54的細節資訊最好，人眼的觀賞效果也最好。
對抗損失
**中的對抗損失如下：
這實際上是gan作者自己提出的一種改進型的生成器損失函式。最小化此式，也就是最大化判別器給予生成器所生成的影象為真的概率。
文章中使用的正則化損失是一種基於全變分範數的正則化損失函式。
這種正則化損失傾向於儲存影象的光滑性,防止影象出來變得過於畫素化。
vgg損失(內容)：
損失函式，代價函式，目標函式
首先給出結論 損失函式和代價函式是同乙個東西，目標函式是乙個與他們相關但更廣的概念，對於目標函式來說在有約束條件下的最小化就是損失函式 loss function 上面三個圖的函式依次為 我們給定度量擬合的程度，比如 越小，就代表模型擬合的越好。那是不是我們的目標就只是讓loss function越...
損失函式 代價函式 評分函式 目標函式
1.損失函式就是代價函式 例如 損失函式用於度量標籤的真實值和 值的誤差。常用的損失函式有 0 1損失函式，平方損失函式，期望損失函式。2.評分函式 以輸入x和權值wi為自變數的乙個函式，比如評價x屬於某個分類的可能性的分值 得分函式就是對於給定的乙個輸入，通過計算，得到這個輸入屬於每種類別的得分。...
代價函式 損失函式 目標函式的理解
loss function 是定義在單個樣本上的，算的是乙個樣本的誤差。cost function 是定義在整個訓練集上的，是所有樣本誤差的平均，也就是損失函式的平均。object function 定義為 最終需要優化的函式。等於經驗風險 結構風險 也就是cost function 正則化項 代價...