Jitor-CGAN

使用 Jitor 实现的 CGAN ，可以生成所有阿拉伯数字。

使用方法

若你还没有配置好 Jitor，可以先使用如下指令在虚拟环境中安装 Jitor，或者访问官方教程 进行安装。

配置好环境后可以使用如下指令运行：

python3 ./CGAN.py

可以修改 number 的值来生成希望的数字。

几个参数含义如下：

• n_epochs: 训练的 epoch 数 (默认: 100)
• batch_size: 批次大小 (默认: 64)
• lr: Adam 优化器的学习率 (默认: 0.0002)
• b1: Adam 优化器的一阶动量衰减 (默认: 0.5)
• b2: Adam 优化器的二阶动量衰减 (默认: 0.999)
• n_cpu: 批次生成期间使用的 CPU 线程数 (默认: 8)
• latent_dim: 潜在空间的维度 (默认: 100)
• n_classes: 数据集的类别数 (默认: 10)
• img_size: 每个图像维度的尺寸 (默认: 32)
• channels: 图像通道数 (默认: 1)
• sample_interval: 图像采样间隔 (默认: 1000)

Jitor基本用法

Jitor 的使用方法与 PyTorch 基本类似。在这里简单介绍几个实验中用到的模型。

我们可以在计图的官网上查到所有 API 的源码。

nn.Module

Module 类是所有神经网络层和模型的基类。提供了构建神经网络模型所需的各种基础方法，例如前向计算（execute，类似 PyTorch 中的 forward）、设置混合精度等方法。

在本次实验中，我们只需要用 __init__ 和 execute 来实现一些简单的模型。

nn.Linear

Linear 类对输入参数进行线性变换，$y = Ax + b$ 其中矩阵 $A$ 和向量 $b$ 为可学习参数。

Linear 类有三个参数，分别是 in_feature， out_feature， bias ，表示输入向量的维度，输出向量的维度和是否有偏置值（默认为真）。

nn.Sequential

nn.Sequential 是一个顺序容器，Sequential 的 execute 方法回将其输入传给第一个模块，并将模块的输出传给下一个模块作为输入，讲最后一个模块的输出作为输出。

Conditional GAN 基本原理

GAN （生成对抗式网络），同时训练一个生成器与判别器，生成器试图生成数据欺骗判别器，而判别器试图区分真实数据与生成数据，两者相互对抗达成生成质量的提升。

然而这样得到的生成数据不可控，随机性较强。CGAN 在 GAN 的基础上为生成器和判别器提供条件信息，从而实现可控的生成。

本次实验中 Generatior 类代表生成器， Discriminator 类则代表判别器。