Konvolutionell diskriminator

Nu när DCGAN:s generator är klar är nästa steg att definiera den konvolutionella diskriminatorn – innan du kan gå vidare till träningen.

torch.nn är importerat under dess vanliga alias. För att bygga den konvolutionella diskriminatorn använder du en anpassad funktion, gc_disc_block(), som returnerar ett block bestående av en konvolution följt av en batchnormalisering och aktiveringsfunktionen leaky ReLU. Du kan se definitionen av dc_disc_block() nedan.

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),
    )

Den här övningen är en del av kursen

Djupinlärning för bilder med PyTorch

Visa kurs

Övningsinstruktioner

Lägg till det första diskriminatorblocket med den anpassade funktionen dc_disc_block(), med 3 indatakartor och 512 utdatakartor.
Lägg till det konvolutionella lagret med utdatastorleken 1.
I metoden forward(), skicka indata genom det sekventiella block du definierade i __init__().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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)

Redigera och kör kod