Generowanie obrazów

Po zaprojektowaniu i wytrenowaniu sieci GAN nadszedł czas, aby ocenić jakość generowanych przez nią obrazów. Na początek przeprowadź wizualną inspekcję – sprawdź, czy wygenerowane obrazy w ogóle przypominają Pokemony. W tym celu utwórz losowy szum jako dane wejściowe dla generatora, przekaż je do modelu i wykreśl wyniki.

Głęboki splotowy generator z wytrenowanymi wagami jest dostępny jako gen. Biblioteki torch i matplotlib.pyplot jako plt są już zaimportowane.

To ćwiczenie jest częścią kursu

Głębokie uczenie dla obrazów z PyTorch

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz tensor losowego szumu o kształcie num_images_to_generate na 16 (rozmiar szumu wejściowego użytego podczas trenowania generatora) i przypisz go do noise.
Wygeneruj obrazy, przekazując szum do generatora, i przypisz je do fake.
Wewnątrz pętli for wytnij fake, aby pobrać i-ty obraz, i przypisz go do image_tensor.
Przestaw wymiary image_tensor z (kolor, wysokość, szerokość) na (wysokość, szerokość, kolor) i przypisz wynik do image_tensor_permuted.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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()

Edytuj i uruchom kod