Gerador Convolucional
Defina um gerador convolucional seguindo as diretrizes de DCGAN discutidas no último vídeo.
torch.nn já foi importado como nn para sua conveniência. Além disso, uma função personalizada dc_gen_block() está disponível, que retorna um bloco com uma convolução transposta, batch norm e ativação ReLU. Essa função serve como base para construir o gerador convolucional. Você pode se familiarizar com a definição de dc_gen_block() abaixo.
def dc_gen_block(in_dim, out_dim, kernel_size, stride):
return nn.Sequential(
nn.ConvTranspose2d(in_dim, out_dim, kernel_size, stride=stride),
nn.BatchNorm2d(out_dim),
nn.ReLU()
)
Este exercício faz parte do curso
Deep Learning para Imagens com PyTorch
Instruções do exercício
- Adicione o último bloco do gerador, mapeando o tamanho dos mapas de características para
256. - Adicione uma convolução transposta com tamanho de saída
3. - Adicione a ativação tanh.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
class DCGenerator(nn.Module):
def __init__(self, in_dim, kernel_size=4, stride=2):
super(DCGenerator, self).__init__()
self.in_dim = in_dim
self.gen = nn.Sequential(
dc_gen_block(in_dim, 1024, kernel_size, stride),
dc_gen_block(1024, 512, kernel_size, stride),
# Add last generator block
____,
# Add transposed convolution
____(____, ____, kernel_size, stride=stride),
# Add tanh activation
____
)
def forward(self, x):
x = x.view(len(x), self.in_dim, 1, 1)
return self.gen(x)