Discriminateur convolutif
Une fois le générateur DCGAN prêt, la dernière étape avant de pouvoir passer à l'entraînement consiste à définir le discriminateur convolutif.
torch.nn est importé pour vous sous son alias habituel. Pour construire le discriminateur convolutif, vous utiliserez une fonction d'gc_disc_block() personnalisée qui renvoie un bloc de convolution suivi d'une normalisation par lots et de l'activation Leaky ReLU. Vous pouvez consulter la définition d'dc_disc_block() ci-dessous.
def dc_disc_block(in_dim, out_dim, kernel_size, stride):
return nn.Sequential(
nn.Conv2d(in_dim, out_dim, kernel_size, stride=stride),
nn.BatchNorm2d(out_dim),
nn.LeakyReLU(0.2),
)
Cet exercice fait partie du cours
Deep learning pour les images avec PyTorch
Instructions
- Ajoutez le premier bloc discriminateur à l'aide de la fonction personnalisée «
dc_disc_block()» avec les cartes de caractéristiques d'entrée «3» et les cartes de caractéristiques de sortie «512». - Ajoutez la couche convolutive avec une taille de sortie de
1. - Dans la méthode
forward(), transmettez l'entrée via le bloc séquentiel que vous avez défini dans__init__().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
class DCDiscriminator(nn.Module):
def __init__(self, kernel_size=4, stride=2):
super(DCDiscriminator, self).__init__()
self.disc = nn.Sequential(
# Add first discriminator block
dc_disc_block(3, 512, kernel_size, stride),
dc_disc_block(512, 1024, kernel_size, stride),
# Add a convolution
nn.Conv2d(1024, 1, kernel_size, stride=stride),
)
def forward(self, x):
# Pass input through sequential block
x = ____
return x.view(len(x), -1)