Construire un DCGAN
Un GAN convolutionnel pour générer des images.
Construire un DCGAN est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
What DCGAN Adds
A DCGAN is a GAN built from convolutional layers. It swaps dense layers for convolutions, which makes it great at generating realistic images. 🖼️
Generator Grows the Image
The generator uses transposed convolutions to upsample a tiny latent vector step by step into a full-size image.
nn.ConvTranspose2d(100, 256, 4, 1, 0)Discriminator Shrinks the Image
The discriminator does the reverse: strided convolutions shrink the image down to a single real-or-fake score.
nn.Conv2d(3, 64, 4, 2, 1)Batch Norm Stabilizes
DCGAN puts batch normalization between layers in both networks. It keeps activations healthy and makes training far more stable.
nn.BatchNorm2d(256)ReLU in the Generator
The generator uses ReLU activations on its hidden layers to keep gradients flowing as the image is built up.
nn.ReLU(True)LeakyReLU in the Discriminator
The discriminator prefers LeakyReLU, which lets a small signal through for negative values and avoids dead neurons.
nn.LeakyReLU(0.2, inplace=True)Tanh on the Output
The generator ends with Tanh, squeezing pixels into the range minus one to one to match normalized training images.
nn.Tanh()Sigmoid for the Verdict
The discriminator finishes with a sigmoid, turning its final feature into a probability between zero and one.
nn.Sigmoid()Weight Initialization
DCGAN starts weights from a small normal distribution centered near zero. Good init helps both networks train smoothly from the first step.
nn.init.normal_(m.weight, 0.0, 0.02)Pick the Latent Size
The latent dimension, often 100, sets how many random numbers seed each image. Larger latents give the generator more room to vary.
nz = 100Watch Samples as You Train
Save a grid of generated images every few epochs. Watching them get sharper is how you confirm a DCGAN is actually learning.
Quick Check
Which activation belongs at the very end of the generator?
Recap: Building a DCGAN
You assembled a DCGAN: transposed convolutions grow images, strided convolutions judge them, and batch norm keeps it all stable. 🛠️
Questions Fréquemment Posées
La leçon « Construire un DCGAN » est-elle gratuite ?
Oui — le texte complet de « Construire un DCGAN » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Construire un DCGAN » ?
Un GAN convolutionnel pour générer des images. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Construire un DCGAN » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Générateur ou discriminateur : le jeu
- La perte antagoniste
- Construire un DCGAN
- Effondrement des modes et astuces de stabilisation