Perte du générateur
Avant d'entraîner votre GAN, vous devez définir des fonctions de perte pour le générateur et pour le discriminateur. Vous allez commencer par le premier.
Rappelez-vous que le rôle du générateur est de produire de fausses images capables de tromper le discriminateur pour qu'il les classe comme réelles. Par conséquent, le générateur subit une perte si les images qu'il a générées sont classées comme fausses (étiquette 0) par le discriminateur.
Définissez la fonction gen_loss() qui calcule la perte du générateur. Elle prend quatre arguments :
gen, le modèle de générateurdisc, le modèle de discriminateurnum_images, le nombre d'images dans le lotz_dim, la taille du bruit aléatoire en entrée
Cette activité fait partie du cours
Deep Learning pour les images avec PyTorch
Instructions de l’exercice
- Générez du bruit aléatoire de forme
num_imagesparz_dimet affectez-le ànoise. - Utilisez le générateur pour produire une fausse image à partir de
noiseet affectez-la àfake. - Obtenez la prédiction du discriminateur pour l'image factice générée.
- Calculez la perte du générateur en appelant
criterionsur les prédictions du discriminateur et sur un tenseur de uns de la même forme.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
def gen_loss(gen, disc, criterion, num_images, z_dim):
# Define random noise
noise = ____(num_images, z_dim)
# Generate fake image
fake = ____
# Get discriminator's prediction on the fake image
disc_pred = ____
# Compute generator loss
criterion = nn.BCEWithLogitsLoss()
gen_loss = ____(____, ____)
return gen_loss