条件生成对抗网络（CGAN）——MNIST 手写数字生成

使用 Jittor 深度学习框架实现的条件生成对抗网络，可按类别生成 MNIST 手写数字图像。

---

📖 项目简介

本仓库实现了一个 Conditional GAN，能够根据指定数字类别生成对应的手写数字图像。
模型由 生成器 (Generator) 和 判别器 (Discriminator) 组成，二者在对抗训练中不断提升，最终生成器能够“欺骗”判别器，输出以假乱真的数字图片。

---

✨ 特性

• 按类别生成：输入随机噪声与数字标签即可生成指定数字。
• 纯全连接网络：更易阅读和复现的 MLP 结构。
• MSE 对抗损失：使用平方误差作为对抗目标。
• 自动保存模型/样本：按设定周期保存网络权重与生成示例。

---

📦 安装

需 Python ≥ 3.7

1. 克隆仓库

   git clone https://gitlink.org.cn/Felixccc/jittor_contest_2025_warmup.git

2. 安装依赖

   # 安装 Jittor（CUDA 用户可参考官网说明）
   pip install jittor
   
   # 其余依赖
   pip install -r requirements.txt

MNIST 数据集会在首次运行时自动下载，无需手动操作。

---

🚀 快速开始

训练

python CGAN.py

训练过程会：

• 每 sample_interval 步将 1000 张生成图保存为 *.png；
• 每 10 轮将模型权重保存在 generator_last.pkl、discriminator_last.pkl。

根据数字序列生成图片

python CGAN.py --generate_digits "28170102809796"

脚本将读取最近一次保存的权重，按序列 "28170102809796" 生成对应数字图像，并拼接保存为 result.png。

---

🗂️ 目录结构

.
├── CGAN.py               # 主训练 / 推理脚本
├── generator_last.pkl    # 最近一次保存的生成器权重
├── discriminator_last.pkl# 最近一次保存的判别器权重
├── result.png            # 示例生成结果
├── .gitignore             # Git 忽略文件
└── requirements.txt      # Python 依赖列表

---

🏗️ 模型架构

Generator

输入: [噪声向量 z, 类别嵌入 y] → 128 → 256 → 512 → 1024 → 32×32×1 图像

• 每层使用 LeakyReLU 激活；
• 中间层带 BatchNorm（首层除外）；
• 输出层用 Tanh 将像素归一化至 [-1, 1]。

Discriminator

输入: [图像展平, 类别嵌入 y] → 512 → 512 → 512 → 1 (真/假得分)

• 多层 LeakyReLU + **Dropout(0.4)**；
• 输出为单个实数，取值越接近 1 表示越“真实”。

---

📐 损失函数

• Generator：希望判别器将生成图判为真 → MSE(validity, 1)
• Discriminator：同时区分真实图与生成图 → 0.5*(MSE(real, 1) + MSE(fake, 0))

---

🙏 鸣谢

• Jittor —— 高性能深度学习框架
• MNIST —— 手写数字数据集

---

📬 联系方式

如有问题或改进建议，请提交 Issue，或邮件联系 siyuan-c23@mails.tsinghua.edu.cn。
欢迎 Star ⭐ / Fork 🍴 / PR 🚀！