基于 Jittor 框架的 Conditional GAN（CGAN）

这是一个使用 Jittor 框架实现的 Conditional Generative Adversarial Network（条件生成对抗网络）项目，基于 MNIST 数据集训练模型生成指定类别的手写数字图像，用于第三届计图人工智能挑战赛热身赛任务。

配置

环境依赖

• Python 3.x
• Jittor（推荐使用 GPU 加速）

安装 Jittor（GPU）

pip install jittor
python -m jittor.test.test_example  # 测试是否安装成功

运行训练与生成

python CGAN.py

运行后程序将自动：

• 下载 MNIST 数据集；
• 训练 CGAN 模型；
• 持续保存生成图像；
• 根据指定数字字符串（如 "28192092811985"）输出最终结果图 result.png。

---

模型结构

Generator（生成器）

将随机噪声和类别标签拼接后输入，通过全连接层逐步扩展为图像。

输入：100维噪声 + 类别标签（one-hot）
层次结构：
    Linear -> LeakyReLU
    Linear -> BatchNorm -> LeakyReLU
    Linear -> BatchNorm -> LeakyReLU
    Linear -> BatchNorm -> LeakyReLU
    Linear -> Tanh
输出：32x32 灰度图像（1通道）

Discriminator（判别器）

输入图像与类别标签拼接后，判断是否为真实图像。

输入：图像（展平）+ 类别标签（one-hot）
层次结构：
    Linear -> LeakyReLU
    Linear -> Dropout -> LeakyReLU
    Linear -> Dropout -> LeakyReLU
    Linear -> 实数输出
输出：真/伪分值（非概率）

---

参数说明

参数名	描述
--n_epochs	训练轮数
--batch_size	每批样本大小
--lr	学习率（Adam优化器）
--b1	Adam优化器参数 beta1
--b2	Adam优化器参数 beta2
--latent_dim	噪声向量维度
--n_classes	类别数量（MNIST为10）
--img_size	图像尺寸（32x32）
--channels	图像通道数（灰度图为1）
--sample_interval	每隔多少步保存一次生成图像样本
--n_cpu	加载数据使用的CPU线程数

---

数据说明

• 使用 Jittor 内置接口加载 MNIST 数据集：

  from jittor.dataset.mnist import MNIST

• 图像预处理包括：
  • Resize 到 32x32
  • 灰度转换
  • 归一化到 [-1, 1]