Discriminador

Con el generador definido, el siguiente paso para construir una GAN es crear el discriminador. Toma la salida del generador como entrada y produce una predicción binaria: ¿la entrada es generada o real?

Encontrarás torch.nn ya importado como nn. También puedes usar una función personalizada disc_block() que devuelve un bloque compuesto por una capa lineal seguida de una activación LeakyReLU. La usarás como bloque de construcción del discriminador.

def disc_block(in_dim, out_dim):
    return nn.Sequential(
        nn.Linear(in_dim, out_dim),
        nn.LeakyReLU(0.2)
    )

Este ejercicio forma parte del curso

Deep Learning para imágenes con PyTorch

Ver curso

Instrucciones del ejercicio

Añade el último bloque del discriminador al modelo, con el tamaño de entrada adecuado y una salida de 256.
Después del último bloque del discriminador, añade una capa lineal para mapear la salida al tamaño 1.
Define el método forward() para pasar la imagen de entrada por el bloque secuencial definido en __init__().

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

class Discriminator(nn.Module):
    def __init__(self, im_dim):
        super(Discriminator, self).__init__()
        self.disc = nn.Sequential(
            disc_block(im_dim, 1024),
            disc_block(1024, 512),
            # Define last discriminator block
            ____,
            # Add a linear layer
            ____,
        )

    def forward(self, x):
        # Define the forward method
        ____

Editar y ejecutar código