Pętla treningowa

Nadszedł czas, by cała praca włożona w definiowanie architektur modeli i funkcji straty przyniosła efekty – czas na trening! Twoim zadaniem jest zaimplementowanie i uruchomienie pętli treningowej GAN. Uwaga: po pierwszej partii danych umieszczono instrukcję break, aby uniknąć długiego czasu wykonania.

Oba optymizatory, disc_opt i gen_opt, zostały zainicjalizowane jako optymizatory Adam(). Funkcje do obliczania strat zdefiniowane wcześniej – gen_loss() i disc_loss() – są już dostępne. Przygotowano również dataloader.

Pamiętaj, że:

Argumenty disc_loss() to: gen, disc, real, cur_batch_size, z_dim.
Argumenty gen_loss() to: gen, disc, cur_batch_size, z_dim.

To ćwiczenie jest częścią kursu

Głębokie uczenie dla obrazów z PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz stratę dyskryminatora za pomocą disc_loss(), przekazując jej generator, dyskryminator, próbkę prawdziwych obrazów, bieżący rozmiar partii oraz rozmiar szumu 16 – w tej kolejności – i przypisz wynik do d_loss.
Oblicz gradienty, używając d_loss.
Oblicz stratę generatora za pomocą gen_loss(), przekazując jej generator, dyskryminator, bieżący rozmiar partii oraz rozmiar szumu 16 – w tej kolejności – i przypisz wynik do g_loss.
Oblicz gradienty, używając g_loss.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

for epoch in range(1):
    for real in dataloader:
        cur_batch_size = len(real)
        
        disc_opt.zero_grad()
        # Calculate discriminator loss
        d_loss = ____
        # Compute gradients
        ____
        disc_opt.step()

        gen_opt.zero_grad()
        # Calculate generator loss
        g_loss = ____
        # Compute generator gradients
        ____
        gen_opt.step()

        print(f"Generator loss: {g_loss}")
        print(f"Discriminator loss: {d_loss}")
        break

Edytuj i uruchom kod