Conditional GAN with Jittor

本项目基于 Jittor 深度学习框架实现了一个用于 MNIST 手写数字图像生成的条件生成对抗网络（Conditional GAN）。

模型说明

本项目实现了一个 Conditional GAN (cGAN) ，主要包括：

• 生成器 Generator：

  • 接收噪声向量和类别标签
  • 输出指定类别的图像（MNIST 0-9）

• 判别器 Discriminator：

  • 接收图像和类别标签
  • 判别图像是否为真实图像（来自训练集）或伪造图像（生成器生成）

环境依赖

• Python 3.8+
• Jittor (pip install jittor)
• numpy
• pillow

安装依赖示例：

pip install jittor numpy pillow

训练方式

运行以下命令启动训练：

python CGAN.py

可选参数说明：

• --n_epochs：训练轮数（默认100）
• --batch_size：批大小（默认64）
• --lr：学习率（默认0.0002）
• --latent_dim：潜变量维度（默认100）
• --img_size：图像尺寸（默认32）
• --sample_interval：图像采样间隔（默认1000）

示例命令：

python cgan.py --n_epochs 50 --sample_interval 500

图像生成

代码结尾部分通过如下数字序列生成图像：

number = "28305902823335"

程序会将该数字序列对应的手写体图像横向拼接输出为 result.png。

注意事项

• 若使用 GPU，请确保 CUDA 配置正确，Jittor 会自动启用。
• 若图像输出异常（纯黑/纯白），请检查模型是否充分训练。
• 可通过修改 number 控制最终生成的数字序列。

参考资料

• Jittor 官方文档
• Conditional GAN 论文