畳み込みジェネレータ
最後の動画で説明した DCGAN のガイドラインに従って、畳み込みジェネレータを定義してください。
便宜上、torch.nn は nn としてすでにインポートされています。さらに、転置畳み込み、BatchNorm、ReLU 活性化をまとめたブロックを返すカスタム関数 dc_gen_block() を用意しています。この関数は畳み込みジェネレータを構築するための基礎コンポーネントとして機能します。以下で dc_gen_block() の定義を確認できます。
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()
)
この演習はコースの一部です
PyTorch で学ぶ画像向け Deep Learning
演習の手順
- 最後のジェネレータブロックを追加し、特徴マップのサイズを
256にマッピングします。 - 出力チャネル数が
3の転置畳み込みを追加します。 - tanh 活性化を追加します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
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)