Discriminator-Loss

Jetzt definieren wir den Loss für den Discriminator. Denk daran: Die Aufgabe des Discriminators ist es, Bilder als echt oder fake zu klassifizieren. Der Generator verursacht also einen Loss, wenn er die Ausgaben des Generators als echt (Label 1) oder die echten Bilder als fake (Label 0) klassifiziert.

Definiere die Funktion disc_loss(), die den Discriminator-Loss berechnet. Sie nimmt fünf Argumente entgegen:

gen, das Generatormodell
disc, das Discriminatormodell
real, eine Stichprobe echter Bilder aus den Trainingsdaten
num_images, die Anzahl der Bilder im Batch
z_dim, die Größe des Eingabe-Rauschvektors

Diese Übung ist Teil des Kurses

Deep Learning für Bilder mit PyTorch

Kurs anzeigen

Anleitung zur Übung

Verwende den Discriminator, um fake-Bilder zu klassifizieren, und speichere die Vorhersagen in disc_pred_fake.
Berechne die Fake-Loss-Komponente, indem du criterion auf die Vorhersagen des Discriminators für Fake-Bilder und auf einen Tensor aus Nullen gleicher Form anwendest.
Verwende den Discriminator, um real-Bilder zu klassifizieren, und speichere die Vorhersagen in disc_pred_real.
Berechne die Real-Loss-Komponente, indem du criterion auf die Vorhersagen des Discriminators für echte Bilder und auf einen Tensor aus Einsen gleicher Form anwendest.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

def disc_loss(gen, disc, real, num_images, z_dim):
    criterion = nn.BCEWithLogitsLoss()
    noise = torch.randn(num_images, z_dim)
    fake = gen(noise)
    # Get discriminator's predictions for fake images
    disc_pred_fake = ____
    # Calculate the fake loss component
    fake_loss = ____
    # Get discriminator's predictions for real images
    disc_pred_real = ____
    # Calculate the real loss component
    real_loss = ____
    disc_loss = (real_loss + fake_loss) / 2
    return disc_loss

Code bearbeiten und ausführen