Generatore convoluzionale
Definisci un generatore convoluzionale seguendo le linee guida DCGAN discusse nell’ultimo video.
torch.nn è già stato importato come nn per tua comodità. Inoltre, è disponibile una funzione personalizzata dc_gen_block() che restituisce un blocco composto da una convoluzione trasposta, una batch norm e un’attivazione ReLU. Questa funzione serve come componente di base per costruire il generatore convoluzionale. Puoi familiarizzare con la definizione di dc_gen_block() qui sotto.
def dc_gen_block(in_dim, out_dim, kernel_size, stride):
return nn.Sequential(
nn.ConvTranspose2d(in_dim, out_dim, kernel_size, stride=stride),
nn.BatchNorm2d(out_dim),
nn.ReLU()
)
Questo esercizio fa parte del corso
Deep Learning per Immagini con PyTorch
Istruzioni dell'esercizio
- Aggiungi l’ultimo blocco del generatore, mappando la dimensione delle feature map a
256. - Aggiungi una convoluzione trasposta con dimensione di output pari a
3. - Aggiungi l’attivazione tanh.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
class DCGenerator(nn.Module):
def __init__(self, in_dim, kernel_size=4, stride=2):
super(DCGenerator, self).__init__()
self.in_dim = in_dim
self.gen = nn.Sequential(
dc_gen_block(in_dim, 1024, kernel_size, stride),
dc_gen_block(1024, 512, kernel_size, stride),
# Add last generator block
____,
# Add transposed convolution
____(____, ____, kernel_size, stride=stride),
# Add tanh activation
____
)
def forward(self, x):
x = x.view(len(x), self.in_dim, 1, 1)
return self.gen(x)