Perda do gerador

Antes de treinar sua GAN, você precisa definir funções de perda tanto para o gerador quanto para o discriminador. Você vai começar com o primeiro.

Lembre-se de que o trabalho do gerador é criar imagens falsas que enganem o discriminador, fazendo-o classificá-las como reais. Então, o gerador perde se as imagens que ele criou forem classificadas pelo discriminador como falsas (rótulo 0).

Defina a função gen_loss() que calcula a perda do gerador. Ele precisa de quatro argumentos:

gen, o modelo do gerador
disc, o modelo discriminador
num_images, o número de imagens no lote
z_dim, o tamanho do ruído aleatório de entrada

Este exercício faz parte do curso

Aprendizado profundo para imagens com PyTorch

Ver curso

Instruções do exercício

Crie um ruído aleatório com a forma num_images usando z_dim e coloque ele em noise.
Use o gerador para criar uma imagem falsa a partir de noise e atribua-a a fake.
Pega a previsão do discriminador pra imagem falsa que foi gerada.
Calcule a perda dos geradores chamando criterion nas previsões do discriminador e o tensor de uns da mesma forma.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

def gen_loss(gen, disc, criterion, num_images, z_dim):
    # Define random noise
    noise = ____(num_images, z_dim)
    # Generate fake image
    fake = ____
    # Get discriminator's prediction on the fake image
    disc_pred = ____
    # Compute generator loss
    criterion = nn.BCEWithLogitsLoss()
    gen_loss = ____(____, ____)
    return gen_loss

Editar e executar o código