在前面我们看了生成器和判别器的组成。
生成器损失公式：
首先将fake image 和真实的 image输入到判别器中：
接着看第一个损失：参数分别为fake image经过判别器的输出mask，和真实的label进行损失计算。对应于：
其中loss对应于：
class losses_computer():
def __init__(self, opt):
self.opt = opt
if not opt.no_labelmix:
self.labelmix_function = torch.nn.MSELoss()
def loss(self, input, label, for_real):#true
#--- balancing classes ---
weight_map = get_class_balancing(self.opt, input, label)
#--- n+1 loss ---
target = get_n1_target(self.opt, input, label, for_real)
loss = F.cross_entropy(input, target, reduction='none')
if for_real:
loss = torch.mean(loss * weight_map[:, 0, :, :])
else:
loss = torch.mean(loss)
return loss
1：首先平衡类别，input大小为(1,36,256,512)，label大小为(1,35,256,512).
首先将label每个通道所有的值相加，最后只剩下C个值。
接着将class_occurence第一个值替换为0(在标签中第一个值为空).然后将列表值和0进行比较，统计为True的个数，就是总的类别。
然后求总的类别权重，一张图有24个类别，总的标签图有35各类别，缺失的类别为inf。
根据argmax获得label的通道索引，输出通道为一的mask图。
根据类别找对应的权重值。
接着标签和label输入到：
首先得到一个和input相同大小的全1矩阵。这个矩阵是放在cuda上，用1填充，不需要更新，和input相同维度。
接着取label的索引，将全1矩阵target压缩通道维度和numclass相乘，这样所有的值都是35，在和label的类别值相加。因为相加之后的值肯定大于35，即clamp将小于34的值替换为34.（感觉clamp并没有起作用），减去35加1，相当于将label类别值全部加1了。
最后将辨别器的decoder输出和真实的label进行交叉熵计算。
将loss和类别权重相乘，再求均值得到最终的损失。
接着是第二个损失：生成器希望生成的结果可以骗过判别器，fake产生的图片要尽可能的真实。
score是判别器encoder部分的两个输出。
在GANloss中:
在loss中：
生成器是不完全执行patch_loss，为了使损失更小，则-1+D（x）就要趋近于0，因为D最后是输出一个通道为1的值，即经过sigmoid每个像素输出值在[0,1]之内，为了使-1+D（x）最小，则输出就要尽可能为1，即输出要尽可能正确。
得到的两个GANloss相加求均值，再和之前的对抗损失相加。
第三个是特征匹配损失：输入是real image和fake image经过decoder的五个中间变量输出。
通过循环计算每一个输出对之间的MSE损失。
将生成的结果和前面两种损失相加。
最后输出：总损失，[对抗损失,None]。
接着损失取均值，然后反向传播。
然后说判别器的损失：
按照公式：GAN loss需要计算fake image 和 real image产生的中间变量，然后相加。而生成器不用计算E(z,l)。
在代码中通过控制target的True和False来计算两个loss。
损失包含：
1：fake image经过判别器得到的mask和真实的label计算对抗损失。
2：real image经过判别器得到的mask和真实的label计算对抗损失。
3：两个GAN loss。
4：label mix
首先获得label上的类别值，然后遍历类别值，将mask中的类别随机替换为0或者1，然后和真实的image相乘，对target_map取反后和fake_image相乘最后相加。最终输出混合的image和新的target_map。
混合的image输入判别器中后计算labelmix损失：
四个参数：进过[0,1]替换后的mask，mix_image经过判别器的输出，fake_image经过判别器的输出和real_image经过判别器的输出。
生成的label_mix loss和原始的三个loss相加。
这样就计算完了辨别器损失。