Генерация изображений

Теперь, когда вы разработали и обучили GAN, пришло время оценить качество генерируемых им изображений. Для начала проведём визуальный осмотр: посмотрим, насколько сгенерированные изображения похожи на покемонов. Для этого вы создадите случайный шум в качестве входных данных для генератора, передадите его в модель и отобразите результаты.

Глубокая свёрточная сеть-генератор с обученными весами доступна вам как gen. Библиотеки torch и matplotlib.pyplot уже импортированы как plt.

Это упражнение является частью курса

Глубокое обучение для работы с изображениями на PyTorch

Посмотреть курс

Инструкции к упражнению

Создайте тензор случайного шума формы num_images_to_generate × 16 (размер входного шума, использованного при обучении генератора) и присвойте его переменной noise.
Сгенерируйте изображения, передав шум в генератор, и присвойте результат переменной fake.
Внутри цикла for проиндексируйте fake, чтобы извлечь i-е изображение, и присвойте его переменной image_tensor.
Переставьте оси image_tensor с порядка (цвет, высота, ширина) на (высота, ширина, цвет) и присвойте результат переменной image_tensor_permuted.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

num_images_to_generate = 5
# Create random noise tensor
noise = ____

# Generate images
with torch.no_grad():
    fake = ____
print(f"Generated tensor shape: {fake.shape}")
    
for i in range(num_images_to_generate):
    # Slice fake to select i-th image
    image_tensor = ____
    # Permute the image dimensions
    image_tensor_permuted = ____
    plt.imshow(image_tensor_permuted)
    plt.show()

Редактировать и запускать код