Conditional GAN for MNIST (Jittor) 🧠✨

本项目基于 Jittor 实现一个 Conditional GAN（条件生成对抗网络）：输入随机噪声 z 与类别标签 y，生成对应类别的手写数字图像；并支持按指定数字序列生成并保存拼接结果图 result.png 。

1. 任务说明 🎯

数据集：MNIST（Jittor 内置 jittor.dataset.mnist 自动下载）
目标：训练条件生成器 G(z, y) 生成指定类别数字图像，同时训练判别器 D(x, y) 判断“图像-标签”对是否真实
产出：根据比赛给定字符串数字序列（如 学号）生成对应数字图像并拼接保存

2. 方法概述 🧪

Generator（生成器） 🏗️
将噪声向量 z 与标签嵌入（Embedding）后的条件向量拼接，经多层全连接网络生成图像（输出为 C×H×W）。
Discriminator（判别器） 🕵️‍♂️
将输入图像 x 展平为向量，与标签嵌入向量拼接，经过多层全连接网络输出一个标量，表示该“图像-标签”对为真的概率/置信度。
损失函数 📉
使用 MSELoss（最小二乘 GAN / LSGAN 风格）：
- 判别器：真实样本逼近 1，生成样本逼近 0
- 生成器：让生成样本在判别器输出上逼近 1（“骗过判别器”）

3. 环境依赖 🧰

操作系统：Ubuntu / Debian 系（推荐）
Python：3.7
框架：Jittor
额外依赖：OpenMP（libomp-dev），用于加速/编译相关

4. 安装与配置 🛠️

4.1 安装系统依赖（Ubuntu/Debian）

sudo apt update
sudo apt install -y libomp-dev build-essential git

说明：如果你的系统源中找不到 python3.7-dev 属于正常现象（新版本 Ubuntu 往往不再提供 3.7 的 dev 包）。推荐直接使用 conda 创建 Python 3.7 环境

4.2 使用 Conda 创建虚拟环境并安装 Jittor

conda create -n jittor37 python=3.7 -y
conda activate jittor37

python -m pip install -U pip setuptools wheel
python -m pip install jittor
# 或安装 github 最新版（二选一）
# python -m pip install git+https://github.com/Jittor/jittor.git

4.3 运行 Jittor 自检

python -m jittor.test.test_example

第一次运行 Jittor 可能会触发编译缓存，耗时较长属于正常现象

5. 训练与生成 🏋️‍♀️

5.1 开始训练

项目主脚本为：

CGAN.py

直接运行（使用默认参数训练）：

python CGAN.py

5.2 常用参数

脚本支持命令行参数（argparse）：

--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）📈
--b1 / --b2：Adam 的 beta 参数（默认 0.5 / 0.999）⚙️
--latent_dim：噪声维度（默认 100）🌫️
--n_classes：类别数（默认 10）🔟
--img_size：图像尺寸（默认 32，会对 MNIST 做 Resize）📐
--channels：通道数（默认 1）🎛️
--sample_interval：采样间隔（默认 1000 step 保存一次采样图）⏱️

示例（训练 30 epoch）：

python CGAN.py --n_epochs 30 --batch_size 64 --lr 0.0002

5.3 生成指定数字序列（用于提交）

在脚本末尾修改：

number = "2213119"  # 改成比赛页面要求的字符串数字序列

训练结束后脚本会生成并保存：

result.png：按 number 生成的数字序列拼接图（提交文件）

6. 输出文件说明 📂

训练过程中/训练结束后会产生常见输出：

*.png：按 --sample_interval 采样生成的网格图（用于观察训练过程）
generator_last.pkl：生成器参数（每 10 epoch 保存一次）
discriminator_last.pkl：判别器参数（每 10 epoch 保存一次）
result.png：最终按指定序列生成的结果图（用于提交）

7. 常见问题（FAQ）🧩

7.1 Embedding 报错：索引类型不对？

如果出现类似 “Embedding index must be int” 的问题，确保标签是整型（如 int32），而不是 float32。例如：

labels = labels.int32()

7.2 训练初期生成很糊/噪声很大？

GAN 在早期通常不稳定是正常的。可尝试：

增加训练 epoch 🔁
调整 --lr（后期降低学习率更平稳）
增大 batch size（显存允许的情况下）

8. 目录结构（示例）🗂️

.
├── CGAN.py
├── generator_last.pkl
├── discriminator_last.pkl
├── result.png
└── (训练过程中生成的若干 *.png)

9. 参考 📚

Jittor 官方文档与示例
MNIST 数据集
Conditional GAN / LSGAN 相关论文与资料（概念实现参考）