Conditional GAN (Jittor) for MNIST

一个基于 Jittor 的简单条件 GAN（cGAN），将随机噪声和类别标签映射为 32x32 灰度 MNIST 数字，并在训练过程中与推理阶段保存生成结果到 sample_img/。

特性

• 条件生成器和判别器，使用标签 embedding 融合类别信息。
• MSE 对抗损失，G/D 各自使用 Adam 优化。
• 训练中定期保存 10x10 网格采样图；推理阶段按自定义数字序列生成长条图。

环境依赖

• Python 3.7
• Jittor
• NumPy、Pillow

安装（示例，CUDA 请参考官方文档）：

pip install jittor

训练

直接运行：

python CGAN.py

常用参数（脚本内有默认值）：

• --n_epochs 训练轮数（默认 100）
• --batch_size batch 大小（默认 64）
• --lr Adam 学习率（默认 0.0002）
• --latent_dim 噪声维度（默认 100）
• --n_classes 类别数（默认 10）
• --img_size 输出尺寸（默认 32）
• --sample_interval 采样保存间隔（按 batch，默认 1000）

输出

• 训练采样：sample_img/<batches_done>.png，10x10 网格展示 0–9。
• 推理结果：./result.png。

自定义推理

在 CGAN.py 末尾修改 number 字符串为目标数字序列，然后运行：

python CGAN.py

脚本会加载 generator_last.pkl、discriminator_last.pkl，并根据序列生成 result.png。

额外说明

• 输入图片归一化到 [-1, 1]，生成器输出使用 Tanh。
• 检测到 CUDA 时自动启用 jt.flags.use_cuda = 1。
• 如出现 G loss 高而 D loss 低，可适当调节 G/D 学习率或应用 label smoothing。