GANモデルの学習
PyBooks のチームは、Generative Adversarial Network (GAN) を使ったテキスト生成に向けて順調に進んでいます。ジェネレーターとディスクリミネーターのネットワーク定義は完了しました。次は、それらを学習させる段階です。最後のステップとして、偽データを生成し、実データと比較して GAN の学習状況を確認します。入力にはテンソルを用い、出力は入力テンソルに似た形になるようにします。これにより、PyBooks のチームは、テキストデータと同じ関係性をもつ特徴量を備えた合成データをテキスト分析に活用できます。
ジェネレーターとディスクリミネーターはそれぞれ generator と discriminator に初期化・保存されています。
この演習では次の変数が初期化されています。
seq_length = 5: 各合成データ系列の長さnum_sequences = 100: 生成する系列の総数num_epochs = 50: データセットを何周するかprint_every = 10: 出力表示の頻度（10エポックごとに結果を表示）
この演習はコースの一部です
PyTorch で学ぶテキストの Deep Learning
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。
# Define the loss function and optimizer
criterion = nn.____()
optimizer_gen = ____(generator.parameters(), lr=0.001)
optimizer_disc = ____(discriminator.parameters(), lr=0.001)
for epoch in range(num_epochs):
for real_data in data:
# Unsqueezing real_data and prevent gradient recalculations
real_data = real_data.____(0)
noise = torch.rand((1, seq_length))
fake_data = generator(noise)
disc_real = discriminator(real_data)
disc_fake = discriminator(fake_data.____())
loss_disc = criterion(disc_real, torch.ones_like(disc_real)) + criterion(disc_fake, torch.zeros_like(disc_fake))
optimizer_disc.zero_grad()
loss_disc.backward()
optimizer_disc.step()