CGAN-Jittor: 条件生成对抗网络实现手写数字生成

第四届计图人工智能挑战赛—计图挑战热身赛参赛项目，基于 Jittor 框架实现条件生成对抗网络（CGAN），可生成指定数字类别（0-9）的手写数字图像。

📋 项目简介

传统 GAN 生成的图像缺乏类别可控性，本项目实现的 CGAN 通过在生成器和判别器中引入数字标签作为条件约束，使模型能够精准生成指定类别的 MNIST 手写数字图像。

核心特性

• ✅ 基于 Jittor 深度学习框架开发，适配计图挑战赛环境
• ✅ 使用 MSE Loss 替代传统对数损失，提升训练稳定性
• ✅ 支持指定数字类别生成，生成结果可视化
• ✅ 模型断点保存与加载，训练过程实时监控

🔧 环境配置

1. 克隆项目

git clone https://gitlink.org.cn/Abdaaa/CGAN_jittor.git
cd CGAN_jittor

2. 安装 Jittor

根据官方文档安装适配的 Jittor 版本：

# 创建 Python 3.7 环境（命名为 jittor-env）
conda create -n jittor-env python=3.7 -y
# 激活环境
conda activate jittor-env
# 安装计图
python -m pip install jittor
# 验证安装
python -m jittor.test.test_example
python -m jittor.test.test_cudnn_op

详细安装指南：Jittor 官方下载页

🚀 快速使用

训练模型

直接运行主程序开始训练：

python CGAN.py

训练过程说明

• 训练日志实时输出：Epoch、Batch、D_loss（判别器损失）、G_loss（生成器损失）
• 每迭代指定轮次自动生成示例图像（默认路径：images/xxx.png）
• 训练结束后自动保存模型：
  • 判别器：discriminator_last.pkl
  • 生成器：generator_last.pkl
• 最终生成指定数字的示例图像：result.png

生成指定数字

修改 CGAN.py 中的 number 变量（0-9），运行后即可生成对应数字的手写图像。

📊 结果展示

训练日志示例

Epoch [1/100], Batch [50/600], D_loss: 0.234, G_loss: 1.567
Epoch [1/100], Batch [100/600], D_loss: 0.189, G_loss: 1.234
...
Epoch [100/100], Batch [600/600], D_loss: 0.056, G_loss: 0.890

生成图像示例

批量生成示例	生成制定数字2312966

📄 参考与致谢

• 计图挑战赛官方代码框架：Jittor-5 挑战赛
• CGAN 论文：Conditional Generative Adversarial Nets
• Jittor 官方文档：Jittor 教程

📜 许可协议

本项目基于 MIT 协议开源，详见 LICENSE 文件。