Discriminatore convoluzionale

Con il generatore della DCGAN pronto, l’ultimo passo prima di passare all’addestramento è definire il discriminatore convoluzionale.

torch.nn è già importato con il suo alias abituale. Per costruire il discriminatore convoluzionale, userai la funzione personalizzata gc_disc_block() che restituisce un blocco composto da una convoluzione seguita da una batch norm e dall’attivazione leaky ReLU. Puoi ispezionare la definizione di dc_disc_block() qui sotto.

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),
    )

Questo esercizio fa parte del corso

Deep Learning per Immagini con PyTorch

Visualizza il corso

Istruzioni dell'esercizio

Aggiungi il primo blocco del discriminatore usando la funzione personalizzata dc_disc_block() con 3 mappe di caratteristiche in input e 512 in output.
Aggiungi il livello di convoluzione con dimensione di output pari a 1.
Nel metodo forward(), fai passare l’input attraverso il blocco sequenziale che hai definito in __init__().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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)

Modifica ed esegui il codice