Konvolutionell generator
Definiera en konvolutionell generator enligt DCGAN-riktlinjerna som diskuterades i det senaste videoavsnittet.
torch.nn har importerats i förväg som nn för din bekvämlighet. Dessutom finns en anpassad funktion, dc_gen_block(), tillgänglig. Den returnerar ett block bestående av en transponerad faltning, batchnormalisering och ReLU-aktivering. Funktionen utgör en grundläggande byggsten för att konstruera den konvolutionella generatorn. Du kan bekanta dig med definitionen av dc_gen_block() nedan.
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()
)
Den här övningen är en del av kursen
Djupinlärning för bilder med PyTorch
Övningsinstruktioner
- Lägg till det sista generatorblocket och mappa storleken på feature maps till
256. - Lägg till en transponerad faltning med utgångsstorleken
3. - Lägg till tanh-aktiveringen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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)