条件生成对抗网络 (Conditional GAN) 实现

简介

本项目使用Jittor框架实现了一个条件生成对抗网络（Conditional GAN），基于MNIST数据集生成指定类别的手写数字图像。通过训练一个生成器和一个判别器，生成器可以从随机噪声和类别标签生成逼真的手写数字图像，而判别器则用于区分真实图像和生成的图像。

环境要求

• Python 3.6 及以上版本
• Jittor 1.3.0 及以上版本 (需自行安装，安装指南请参考Jittor官方文档)
• PIL (Python Imaging Library) (用于图像保存)

项目结构

CGAN/
├── CGAN.py  # 主代码文件，包含模型定义、训练逻辑和图像生成逻辑
└── result.png  # 训练完成后生成的图像结果

使用说明

1. 克隆项目:

   git clone <repository_url>
   cd CGAN

2. 安装依赖:

   pip install jittor pillow numpy

3. 运行训练:

   python CGAN.py

   • 项目默认训练参数包括：训练轮数n_epochs，批量大小batch_size，学习率lr，类别数n_classes等。
   • 训练过程中，每隔一定数量的批次会保存生成的图像样本，并在每10轮训练后保存模型参数。

4. 生成指定数字:

   • 在训练完成后，代码会自动生成并保存一个由指定数字组成的图像。
   • 需要更改生成的数字时，可以修改number变量中的字符串。