Afbeeldingen genereren

Nu je je GAN hebt ontworpen en getraind, is het tijd om de kwaliteit van de afbeeldingen te beoordelen die het kan genereren. Als eerste stap doe je een visuele inspectie om te zien of de gegenereerde beelden überhaupt op Pokémons lijken. Hiervoor maak je willekeurige ruis als input voor de generator, geef je die door aan het model en plot je de resultaten.

De Deep Convolutional Generator met getrainde gewichten is beschikbaar als gen. torch en matplotlib.pyplot als plt zijn al voor je geïmporteerd.

Deze oefening maakt deel uit van de cursus

Deep Learning voor afbeeldingen met PyTorch

Cursus bekijken

Oefeninstructies

Maak een willekeurige ruis-tensor met vorm num_images_to_generate bij 16 (de ruisgrootte die je gebruikte om de generator te trainen) en ken die toe aan noise.
Genereer afbeeldingen door de ruis aan de generator door te geven en ken ze toe aan fake.
Slice binnen de for-lus fake om de i-de afbeelding eruit te halen en ken die toe aan image_tensor.
Permuteer de dimensies van image_tensor van (kleur, hoogte, breedte) naar (hoogte, breedte, kleur) en ken de uitvoer toe aan image_tensor_permuted.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

num_images_to_generate = 5
# Create random noise tensor
noise = ____

# Generate images
with torch.no_grad():
    fake = ____
print(f"Generated tensor shape: {fake.shape}")
    
for i in range(num_images_to_generate):
    # Slice fake to select i-th image
    image_tensor = ____
    # Permute the image dimensions
    image_tensor_permuted = ____
    plt.imshow(image_tensor_permuted)
    plt.show()

Code bewerken en uitvoeren