Loss del discriminator

È il momento di definire la loss per il discriminator. Ricorda che il compito del discriminator è classificare le immagini come reali o fake. Di conseguenza, il generatore subisce una loss se il discriminator classifica come reali le uscite del generatore (etichetta 1) o se classifica come fake le immagini reali (etichetta 0).

Definisci la funzione disc_loss() che calcola la loss del discriminator. Prende cinque argomenti:

gen, il modello generatore
disc, il modello discriminatore
real, un campione di immagini reali dai dati di training
num_images, il numero di immagini nel batch
z_dim, la dimensione del rumore casuale in input

Questo esercizio fa parte del corso

Deep Learning per Immagini con PyTorch

Visualizza il corso

Istruzioni dell'esercizio

Usa il discriminator per classificare le immagini fake e assegna le predizioni a disc_pred_fake.
Calcola la componente di loss per le fake chiamando criterion sulle predizioni del discriminator per le immagini fake e su un tensore di zeri della stessa forma.
Usa il discriminator per classificare le immagini real e assegna le predizioni a disc_pred_real.
Calcola la componente di loss per le real chiamando criterion sulle predizioni del discriminator per le immagini real e su un tensore di uni della stessa forma.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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

Modifica ed esegui il codice