Convolutionele generator

Definieer een convolutionele generator volgens de DCGAN-richtlijnen die in de laatste video zijn besproken.

torch.nn is alvast voor je geïmporteerd als nn. Daarnaast is er een aangepaste functie dc_gen_block() beschikbaar, die een blok met een getransponeerde convolutie, batchnormalisatie en ReLU-activatie retourneert. Deze functie vormt een basiscomponent voor het opbouwen van de convolutionele generator. Hieronder kun je de definitie van dc_gen_block() bekijken.

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()
    )

Deze oefening maakt deel uit van de cursus

Deep Learning voor afbeeldingen met PyTorch

Cursus bekijken

Oefeninstructies

Voeg het laatste generatorblok toe en map de grootte van de featuremaps naar 256.
Voeg een getransponeerde convolutie toe met een outputgrootte van 3.
Voeg de tanh-activatie toe.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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)

Code bewerken en uitvoeren