CGAN - 条件生成对抗网络

基于Jittor框架实现的条件生成对抗网络(Conditional GAN)，用于生成MNIST手写数字图像。

项目简介

本项目实现了一个条件生成对抗网络，可以根据指定的数字标签生成对应的手写数字图像。与传统GAN不同，CGAN可以控制生成内容的类别，实现有条件的图像生成。

技术特点

• 框架: 使用Jittor深度学习框架
• 网络结构: 生成器和判别器都采用全连接神经网络
• 条件控制: 通过标签嵌入层实现条件生成
• 数据集: MNIST手写数字数据集

环境要求

pip install jittor
pip install pillow
pip install numpy

网络架构

生成器 (Generator)

• 输入: 随机噪声向量 + 类别标签
• 标签嵌入: 将类别标签转换为嵌入向量
• 网络层: 多层全连接网络 (128→256→512→1024→1024)
• 输出: 32×32的灰度图像

判别器 (Discriminator)

• 输入: 图像 + 类别标签
• 网络层: 多层全连接网络，包含Dropout防止过拟合
• 输出: 单个实数值，表示图像真实性判断

使用方法

1. 训练模型

取消注释训练代码部分，运行：

python CGAN.py --n_epochs 100 --batch_size 64 --lr 0.0002

2. 生成指定数字序列

修改代码中的number变量，指定要生成的数字序列：

number = '28806112873230'  # 修改为你想要的数字序列

运行代码后，会在当前目录生成result.png文件，包含指定数字序列的手写数字图像。

参数说明

• --n_epochs: 训练轮数 (默认: 100)
• --batch_size: 批次大小 (默认: 64)
• --lr: 学习率 (默认: 0.0002)
• --latent_dim: 潜在空间维度 (默认: 100)
• --n_classes: 类别数量 (默认: 10)
• --img_size: 图像尺寸 (默认: 32)
• --sample_interval: 采样间隔 (默认: 1000)

文件说明

• CGAN.py: 主程序文件，包含网络定义、训练和生成代码
• generator_last.pkl: 训练好的生成器模型
• discriminator_last.pkl: 训练好的判别器模型
• result.png: 生成的数字序列图像

核心功能

条件生成

通过标签控制生成特定数字的手写数字图像

自定义序列生成

可以生成任意数字序列的连续手写数字图像

模型保存与加载

支持模型的保存和加载，便于后续使用

实现细节

1. 标签嵌入: 使用Embedding层将离散的类别标签转换为连续向量
2. 条件拼接: 将标签嵌入向量与噪声/图像拼接作为网络输入
3. 对抗训练: 生成器和判别器交替训练，形成对抗关系
4. 损失函数: 使用MSE损失函数进行训练

输出示例

运行程序后会生成一张包含指定数字序列的图像，每个数字以32×32像素的灰度图像显示，按水平方向排列。