Loop de treinamento

Finalmente, todo o trabalho duro que você teve pra definir as arquiteturas do modelo e as funções de perda valeu a pena: é hora do treinamento! A tua tarefa é implementar e executar o ciclo de treinamento GAN. Observação: uma instrução “ break ” é colocada depois do primeiro lote de dados pra evitar um tempo de execução muito longo.

Os dois otimizadores, disc_opt e gen_opt, foram configurados como otimizadores de Adam(). As funções para calcular as perdas que você definiu anteriormente, gen_loss() e disc_loss(), estão disponíveis para você. Também preparamos um guia de viagem ( dataloader ) para você.

Lembre-se que:

disc_loss()Os argumentos de 's são: gen, disc, real, cur_batch_size, z_dim.
gen_loss()Os argumentos de 's são: gen, disc, cur_batch_size, z_dim.

Este exercício faz parte do curso

Aprendizado profundo para imagens com PyTorch

Ver curso

Instruções do exercício

Calcule a perda do discriminador usando disc_loss() passando o gerador, o discriminador, a amostra de imagens reais, o tamanho do lote atual e o tamanho do ruído de 16, nessa ordem, e atribua o resultado a d_loss.
Calcule gradientes usando d_loss.
Calcule a perda do gerador usando gen_loss() passando o gerador, o discriminador, o tamanho do lote atual e o tamanho do ruído de 16, nessa ordem, e atribua o resultado a g_loss.
Calcule gradientes usando g_loss.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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

Editar e executar o código