Discriminador convolucional
Com o gerador do DCGAN pronto, a última etapa antes de começar o treinamento é definir o discriminador convolucional.
torch.nn é importado para você com o seu apelido normal. Para construir o discriminador convolucional, você vai usar uma função personalizada gc_disc_block() que retorna um bloco de uma convolução seguido por uma norma de lote e a ativação Leaky ReLU. Você pode dar uma olhada na definição de “ dc_disc_block() ” aqui embaixo.
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
Aprendizado profundo para imagens com PyTorch
Instruções do exercício
- Adicione o primeiro bloco discriminador usando a função personalizada “
dc_disc_block()” com mapas de recursos de entrada “3” e mapas de recursos de saída “512”. - Adicione a camada convolucional com o tamanho de saída de
1. - No método `
forward(), passa 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)