Discriminador
Depois de definir o gerador, o próximo passo pra montar uma GAN é construir o discriminador. Ele pega a saída do gerador como entrada e faz uma previsão binária: a entrada foi gerada ou é real?
Você vai encontrar torch.nn já importado como nn. Você também pode acessar uma função personalizada disc_block() que retorna um bloco de uma camada linear seguida por uma ativação LeakyReLU. Você vai usar isso como um bloco de construção para o discriminador.
def disc_block(in_dim, out_dim):
return nn.Sequential(
nn.Linear(in_dim, out_dim),
nn.LeakyReLU(0.2)
)
Este exercício faz parte do curso
Aprendizado profundo para imagens com PyTorch
Instruções do exercício
- Adicione o último bloco discriminador ao modelo, com o tamanho de entrada certo e a saída de um
256. - Depois do último bloco discriminador, adicione uma camada linear para mapear a saída para o tamanho de um
1. - Defina o método “
forward()” para passar a imagem de entrada pelo bloco sequencial definido em “__init__()”.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
class Discriminator(nn.Module):
def __init__(self, im_dim):
super(Discriminator, self).__init__()
self.disc = nn.Sequential(
disc_block(im_dim, 1024),
disc_block(1024, 512),
# Define last discriminator block
____,
# Add a linear layer
____,
)
def forward(self, x):
# Define the forward method
____