tf2.3でGANを作成すると、Dのlossが正しく計算されない。

tensorfow2.3.0でGANを作成しています。作成中に原因不明の現象に遭遇し、行き詰っています。
一行目はtf2.3のBatchNormについての記事をみて追加しました。が、今回の問題には関係ないようです。
###コード

Python
1BatchNormalization = tf.compat.v1.keras.layers.BatchNormalization
2def build_discriminator(input_shape):
3    input_ = Input(shape=input_shape)
4
5    a = Conv2D(32,kernel_size=4,strides=2,padding="same",activation="relu")(input_)
6    #1↓
7    a = Conv2D(64,kernel_size=4,strides=2,padding="same")(a)
8    a = BatchNormalization()(a)
9    a = Activation("relu")(a)
10    #2↓
11    a = Conv2D(128,kernel_size=4,strides=2,padding="same")(a)
12    a = BatchNormalization()(a)
13    a = Activation("relu")(a)
14    #3↓
15    a = Conv2D(8,kernel_size=3)(a)
16    a = BatchNormalization()(a)
17    a = Activation("relu")(a)
18
19    a = Flatten()(a)
20    out = Dense(1,activation="sigmoid")(a)
21    
22    return Model(input_,out)
23
24#compile時
25discriminator.compile(loss="mae",optimizer=Adam(0.0002,0.5))
26discriminator.trainable = False
27comb_model = Model(generator.input,discriminator(generator.output))
28comb_model.compile(loss="mae",optimizer=Adam(0.0002,0.5))
29
30#訓練時
31feedback_dr = discriminator.train_on_batch(imgs,ones)
32feedback_df = discriminator.train_on_batch(imgs_fake,zeros)
33#原因特定のため、generatorの学習はしておらず、imgs_fakeを生成するためのみに使用しています。

###症状
この状態で学習すると、Dがimgs_fakeに対し1を出力するように学習し、lossも1が目標値として計算されています。
また、onesを任意の値に変更すると、imgsとimgs_fakeに対してその値を吐くようになるため、imgs学習時に目標値として渡した値がimgs_fake学習時にも使用されているようです。
imgs_fakeとimgsの学習の順番を入れ替え、imgs_fakeを先に学習しても、imgsの目標値にimgs_fakeが引っ張られます。

何が原因か検証したのですが、私の頭では分かりませんでした；；
###検証
正常(imgs=1,imgs_fake=0に向かう)
異常(imgs=1,imgs_fake=1に向かう)

・全てのBatchNormalizationをコメントアウト(正常)
・(#1#2)のBatchNormalizationの両方をコメントアウト(正常)
・(#1#2)のBatchNormalizationの片方をコメントアウト(異常)
padding="same"後かstrides後のBatchNormalizationがダメか？

Python
1    input_ = Input(shape=input_shape)
2    
3    a = Conv2D(32,kernel_size=4,strides=2,padding="same",activation="relu")(input_)
4     a = Conv2D(64,kernel_size=4,strides=2,padding="same")(a)
5     #a = BatchNormalization()(a)
6     a = Activation("relu")(a)
7     a = Conv2D(128,kernel_size=4,strides=2,padding="same")(a)
8     #a = BatchNormalization()(a)
9     a = Activation("relu")(a)
10    
11    a = Conv2D(8,kernel_size=4,strides=2,padding="same")(a)#strides,paddingを追加
12    a = BatchNormalization()(a)
13    a = Activation("relu")(a)
14    a = Flatten()(a)
15    out = Dense(1,activation="sigmoid")(a)
16    
17    return Model(input_,out)
18```↑正常。strides,paddingは関係なさそう。
19
20
21・(#1#2)の両ブロックをコメントアウト(異常)
22・(#1#2)の片ブロックをコメントアウト(異常)
23・(#1#2)の片ブロックをコメントアウトかつ他方のBatchNormをコメントアウト(異常)
24
25```Python
26def reflect_padding(tensor,paddings):
27    return tf.pad(tensor,[(x,x) for x in paddings],"REFLECT")
28
29input_ = Input(shape=input_shape)
30    
31a = Conv2D(32,kernel_size=4,strides=2,activation="relu")(reflect_padding(input_,(0,1,1,0)))
32a = Conv2D(64,kernel_size=4,strides=2)(reflect_padding(a,(0,1,1,0)))
33#a = BatchNormalization()(a)
34a = Activation("relu")(a)
35a = Conv2D(128,kernel_size=4,strides=2)(reflect_padding(a,(0,1,1,0)))
36#a = BatchNormalization()(a)
37a = Activation("relu")(a)
38    
39a = Conv2D(8,kernel_size=3)(a)
40a = BatchNormalization()(a)
41a = Activation("relu")(a)
42a = Flatten()(a)
43out = Dense(1,activation="sigmoid")(a)
44    
45return Model(input_,out)
46```↑異常。padding="same"からtf.padを挿入に変更しただけで異常になりました。レイヤー数などが影響しているかもしれません。上記のコードでもBatchNormをコメントアウトすると正常になるので、BatchNormは関係してそうです。
47
48・(#1#2)のBatchNormalizationの両方をコメントアウト＋Convのpaddingを全てvalidに(異常)。paddingを変更しただけで異常になりました。
49
50
51何か分かったことがあれば追記していきます。