我们讨论了如何构建生成器，但是为了完成网络的对抗训练部分，还需要构建鉴别器。鉴别器将一张图像作为输入，并尝试预测其为原始图像或是生成器的输出图像。生成器的结构如下所示：

　　图8：生成器的结构

　　鉴别器本身就属于卷积网络，需要从图像中提取特征。

　　o_c1 = general_conv2d(input_disc, ndf, f, f, 2, 2)o_c2 = general_conv2d(o_c1, ndf* 2, f, f, 2, 2)o_enc_A = general_conv2d(o_c2, ndf* 4, f, f, 2, 2)o_c4 = general_conv2d(o_enc_A, ndf* 8, f, f, 2, 2)

　　下一步是确定这些特征是否属于该特定类别，添加一个产生1维输出的卷积层来完成这个任务。这里，ndf表示鉴别器初始层的特征个数，可以尝试调整来获得最佳效果。

　　decision = general_conv2d(o_c4, 1, f, f, 1, 1, 0.02)

　　我们已经完成该模型的两个主要组成部分，即生成器和鉴别器。由于要使这个模型既可以从A→B和B→A两个方向工作，我们设置了两个生成器，直播，即生成器A→B和生成器B→A，以及两个鉴别器，即鉴别器A和鉴别器B。

　　建立模型

　　在定义损失函数前，先定义基础输入变量，来构建模型。

　　input_A = tf.placeholder(tf.float32, [batch_size, img_width, img_height, img_layer], name= "input_A")input_B = tf.placeholder(tf.float32, [batch_size, img_width, img_height, img_layer], name= "input_B")

　　这些占位符将作为输入，同时定义模型如下：

　　gen_B = build_generator(input_A, name= "generator_AtoB")gen_A = build_generator(input_B, name= "generator_BtoA")dec_A = build_discriminator(input_A, name= "discriminator_A")dec_B = build_discriminator(input_B, name= "discriminator_B")dec_gen_A = build_discriminator(gen_A, "discriminator_A")dec_gen_B = build_discriminator(gen_B, "discriminator_B")cyc_A = build_generator(gen_B, "generator_BtoA")cyc_B = build_generator(gen_A, "generator_AtoB")

　　上面的变量名在本质上是非常直观的。gen表示使用相应的生成器后生成的图像，dec表示在将相应输入传递到鉴别器后做出的判断。

　　损失函数

　　现在我们有两个生成器和两个鉴别器。我们要按照实际目的来设计损失函数。损失函数应该包括如下四个部分：

鉴别器必须允许所有相应类别的原始图像，即对应输出置1；

鉴别器必须拒绝所有想要愚弄过关的生成图像，即对应输出置0；

生成器必须使鉴别器允许通过所有的生成图像，来实现愚弄操作；

所生成的图像必须保留有原始图像的特性，所以如果我们使用生成器GeneratorA→B生成一张假图像，那么要能够使用另一个生成器GeneratorB→A来努力恢复成原始图像。此过程必须满足循环一致性。

　　鉴别器损失

　　第1部分

　　我们通过训练鉴别器，使其对A类图像的输出接近于1，鉴别器B也是如此。鉴别器A的训练目标为最小化“(DiscriminatorA(a)?1)2”的值，鉴别器B也是如此。对应代码如下：

　　D_A_loss_1 = tf.reduce_mean(tf.squared_difference(dec_A, 1))D_B_loss_1 = tf.reduce_mean(tf.squared_difference(dec_B, 1))

　　第2部分

　　由于鉴别器应该能够区分生成图像和原始图像，所以在处理生成图像时期望输出为0，即鉴别器A要最小化“(DiscriminatorA(GeneratorB→A(b)))2”的值。对应代码如下：

　　D_A_loss_2 = tf.reduce_mean(tf.square(dec_gen_A))D_B_loss_2 = tf.reduce_mean(tf.square(dec_gen_B))D_A_loss = (D_A_loss_1 + D_A_loss_2)/ 2D_B_loss = (D_B_loss_1 + D_B_loss_2)/ 2

　　生成器损失