Discriminateur convolutionnel

Avec le générateur du DCGAN prêt, la dernière étape avant de pouvoir lancer l’entraînement consiste à définir le discriminateur convolutionnel.

torch.nn est importé pour vous sous son alias habituel. Pour construire le discriminateur convolutionnel, vous utiliserez une fonction personnalisée gc_disc_block() qui renvoie un bloc composé d’une convolution, suivie d’une normalisation de lot et de l’activation ReLU « leaky ». Vous pouvez consulter la définition de 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 l’image avec PyTorch

Afficher le cours

Instructions

Ajoutez le premier bloc du discriminateur à l’aide de la fonction personnalisée dc_disc_block() avec 3 cartes de caractéristiques en entrée et 512 en sortie.
Ajoutez la couche de convolution avec une taille de sortie de 1.
Dans la méthode forward(), faites passer l’entrée à travers 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)

Modifier et exécuter le code