Üreteç kaybı

GAN'ini eğitmeden önce hem üreteç hem de ayrıştırıcı için kayıp fonksiyonlarını tanımlaman gerekiyor. Önce üreteç ile başlayacaksın.

Üretecın görevi, ayrıştırıcıyı kandırıp gerçek olarak sınıflandıracağı sahte görüntüler üretmektir. Bu nedenle, üreteç tarafından üretilen görüntüler ayrıştırıcı tarafından sahte (etiket 0) olarak sınıflandırılırsa üreteç kayıp yaşar.

Üreteç kaybını hesaplayan gen_loss() fonksiyonunu tanımla. Bu fonksiyon dört argüman alır:

gen, üreteç model
disc, ayrıştırıcı model
num_images, batch içindeki görüntü sayısı
z_dim, giriş rastgele gürültüsünün boyutu

Bu egzersiz, kursun bir parçasıdır

PyTorch ile Görüntüler için Deep Learning

Kursa Göz Atın

Egzersiz talimatları

Şekli num_images x z_dim olan rastgele gürültü üret ve noise değişkenine ata.
Üreteci kullanarak noise için sahte bir görüntü üret ve fake değişkenine ata.
Üretilen sahte görüntü için ayrıştırıcının tahminini al.
Ayrıştırıcının tahminleri ve aynı şekle sahip birlerden oluşan bir tensör üzerinde criterion çağırarak üretecin kaybını hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

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

Kodu Düzenle ve Çalıştır