Pérdida del discriminador

Es momento de definir la función de pérdida para el discriminador. Recuerda que el trabajo del discriminador es clasificar las imágenes como reales o falsas. Por lo tanto, el discriminador incurre en pérdida si clasifica las salidas del generador como reales (etiqueta 1) o las imágenes reales como falsas (etiqueta 0).

Define la función disc_loss() que calcula la pérdida del discriminador. Recibe cinco argumentos:

gen, el modelo generador
disc, el modelo discriminador
real, una muestra de imágenes reales del conjunto de entrenamiento
num_images, el número de imágenes en el lote
z_dim, el tamaño del ruido aleatorio de entrada

Este ejercicio forma parte del curso

Deep Learning para imágenes con PyTorch

Ver curso

Instrucciones del ejercicio

Usa el discriminador para clasificar las imágenes fake y asigna las predicciones a disc_pred_fake.
Calcula el componente de pérdida para las falsas llamando a criterion sobre las predicciones del discriminador para imágenes falsas y un tensor de ceros de la misma forma.
Usa el discriminador para clasificar las imágenes real y asigna las predicciones a disc_pred_real.
Calcula el componente de pérdida para las reales llamando a criterion sobre las predicciones del discriminador para imágenes reales y un tensor de unos de la misma forma.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

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

Editar y ejecutar código