Discriminador Convolucional

Com o gerador do DCGAN pronto, o último passo antes de partir para o treinamento é definir o discriminador convolucional.

torch.nn já foi importado para você com o alias usual. Para construir o discriminador convolucional, você usará a função personalizada gc_disc_block() que retorna um bloco com uma convolução seguida de batch norm e a ativação leaky ReLU. Você pode inspecionar a definição de dc_disc_block() abaixo.

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),
    )

Este exercício faz parte do curso

Deep Learning para Imagens com PyTorch

Ver curso

Instruções do exercício

Adicione o primeiro bloco do discriminador usando a função personalizada dc_disc_block() com 3 mapas de recursos de entrada e 512 mapas de recursos de saída.
Adicione a camada convolucional com tamanho de saída 1.
No método forward(), passe a entrada pelo bloco sequencial que você definiu em __init__().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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)

Editar e executar o código