Konwolucyjny dyskryminator
Generator DCGAN jest już gotowy – teraz czas zdefiniować konwolucyjny dyskryminator, a następnie przejść do trenowania sieci.
torch.nn jest zaimportowany pod standardowym aliasem. Do zbudowania konwolucyjnego dyskryminatora skorzystasz z niestandardowej funkcji dc_disc_block(), która zwraca blok złożony z warstwy konwolucyjnej, normalizacji wsadowej (batch norm) oraz aktywacji leaky ReLU. Definicję funkcji dc_disc_block() znajdziesz poniżej.
def dc_disc_block(in_dim, out_dim, kernel_size, stride):
return nn.Sequential(
nn.Conv2d(in_dim, out_dim, kernel_size, stride=stride),
nn.BatchNorm2d(out_dim),
nn.LeakyReLU(0.2),
)
To ćwiczenie jest częścią kursu
Głębokie uczenie dla obrazów z PyTorch
Instrukcje do ćwiczenia
- Dodaj pierwszy blok dyskryminatora, używając funkcji
dc_disc_block()z3wejściowymi mapami cech i512wyjściowymi mapami cech. - Dodaj warstwę konwolucyjną z rozmiarem wyjściowym
1. - W metodzie
forward()przepuść dane wejściowe przez blok sekwencyjny zdefiniowany w__init__().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
class DCDiscriminator(nn.Module):
def __init__(self, kernel_size=4, stride=2):
super(DCDiscriminator, self).__init__()
self.disc = nn.Sequential(
# Add first discriminator block
dc_disc_block(3, 512, kernel_size, stride),
dc_disc_block(512, 1024, kernel_size, stride),
# Add a convolution
nn.Conv2d(1024, 1, kernel_size, stride=stride),
)
def forward(self, x):
# Pass input through sequential block
x = ____
return x.view(len(x), -1)