Generování obrázků

Teď, když jsi navrhl/a a natrénoval/a svůj GAN, je čas zhodnotit kvalitu obrázků, které dokáže generovat. Začneme vizuální kontrolou – podíváme se, jestli vygenerované obrázky vůbec připomínají Pokémony. K tomu vytvoříš náhodný šum jako vstup pro generátor, předáš ho modelu a zobrazíš výstupy.

Deep Convolutional generátor s natrénovanými váhami máš k dispozici jako gen. torch a matplotlib.pyplot jako plt jsou již naimportovány.

Toto cvičení je součástí kurzu

Deep Learning pro obrázky s PyTorchem

Zobrazit kurz

Pokyny k cvičení

Vytvoř tenzor náhodného šumu o tvaru num_images_to_generate krát 16 (velikost vstupního šumu, kterou jsi použil/a při trénování generátoru) a přiřaď ho do noise.
Vygeneruj obrázky předáním šumu generátoru a výsledek přiřaď do fake.
Uvnitř cyklu for ořízni fake tak, aby ses dostal/a k obrázku s indexem i, a přiřaď ho do image_tensor.
Permutuj dimenze image_tensor z pořadí (barva, výška, šířka) na (výška, šířka, barva) a výsledek přiřaď do image_tensor_permuted.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

num_images_to_generate = 5
# Create random noise tensor
noise = ____

# Generate images
with torch.no_grad():
    fake = ____
print(f"Generated tensor shape: {fake.shape}")
    
for i in range(num_images_to_generate):
    # Slice fake to select i-th image
    image_tensor = ____
    # Permute the image dimensions
    image_tensor_permuted = ____
    plt.imshow(image_tensor_permuted)
    plt.show()

Upravit a spustit kód