File size: 1,684 Bytes
70764fd | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 | import torch
import torch.nn as nn
class UNetGeneratorImproved(nn.Module):
"""
UNet simplificado para tareas de colorización.
Entrada: imagen en escala de grises (1 canal)
Salida: imagen RGB colorizada (3 canales)
"""
def __init__(self):
super().__init__()
# Codificador: reduce la resolución y captura características
self.encoder = nn.Sequential(
nn.Conv2d(1, 64, kernel_size=4, stride=2, padding=1), # 1 → 64 canales
nn.ReLU(inplace=True),
nn.Conv2d(64, 128, kernel_size=4, stride=2, padding=1), # 64 → 128
nn.BatchNorm2d(128),
nn.ReLU(inplace=True),
nn.Conv2d(128, 256, kernel_size=4, stride=2, padding=1), # 128 → 256
nn.BatchNorm2d(256),
nn.ReLU(inplace=True),
)
# Decodificador: recupera resolución y predice colores
self.decoder = nn.Sequential(
nn.ConvTranspose2d(256, 128, kernel_size=4, stride=2, padding=1), # 256 → 128
nn.BatchNorm2d(128),
nn.ReLU(inplace=True),
nn.ConvTranspose2d(128, 64, kernel_size=4, stride=2, padding=1), # 128 → 64
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.ConvTranspose2d(64, 3, kernel_size=4, stride=2, padding=1), # 64 → 3 (RGB)
nn.Tanh() # Para que la salida esté en el rango [-1, 1] o lo normalices luego
)
def forward(self, x):
"""
Propagación hacia adelante del modelo
"""
x = self.encoder(x) # Pasa por el codificador
x = self.decoder(x) # Reconstruye la imagen color
return x |