Fonction de perte du discriminateur

Il est temps de définir la fonction de perte du discriminateur. Rappelez-vous que le rôle du discriminateur est de classer les images comme réelles ou fabriquées. Par conséquent, le générateur subit une perte s'il classe les sorties du générateur comme réelles (étiquette 1) ou les images réelles comme fabriquées (étiquette 0).

Définissez la fonction disc_loss() qui calcule la perte du discriminateur. Elle prend cinq paramètres :

gen, le modèle de générateur
disc, le modèle de discriminateur
real, un échantillon d'images réelles provenant des données d'entraînement
num_images, le nombre d'images dans le lot
z_dim, la taille du bruit aléatoire en entrée

Cette activité fait partie du cours

Deep Learning pour les images avec PyTorch

Voir le cours

Instructions de l’exercice

Utilisez le discriminateur pour classer les images fake et affectez les prédictions à disc_pred_fake.
Calculez la composante de perte pour les fausses images en appelant criterion sur les prédictions du discriminateur pour les images fabriquées et sur un tenseur de zéros de même forme.
Utilisez le discriminateur pour classer les images real et affectez les prédictions à disc_pred_real.
Calculez la composante de perte pour les images réelles en appelant criterion sur les prédictions du discriminateur pour les images réelles et sur un tenseur de uns de même forme.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

Modifier et exécuter le code