Conditional GAN on MNIST (Jittor 实现)

本项目基于 Jittor 深度学习框架，实现了一个 Conditional GAN 模型，在 MNIST 数据集上完成指定数字条件下的图像生成任务。

该项目为课程实验作业，主要用于熟悉国产 AI 平台（如 Jittor）的基本使用流程，并非主线课程内容或科研项目。

---

项目简介

本实验实现了一个 Conditional Generative Adversarial Network（Conditional GAN），模型在训练过程中同时接收随机噪声和数字类别标签作为输入，从而生成符合指定类别条件的手写数字图像。

选择 Conditional GAN 的原因在于其结构相对清晰，能够直观体现“条件控制生成结果”的思想，适合作为生成模型的入门实验。同时，Jittor 框架在接口设计和使用方式上与主流深度学习框架较为相似，适合用于教学和工程实践练习。

在实现过程中，主要关注模型是否能够稳定训练并生成可被 MNIST 分类器正确识别的数字图像，对模型结构和参数并未进行过多复杂优化。

---

项目结构

.
├── CGAN.py
├── result.png
└── README.md

---

环境与依赖

本项目基于 Python 和 Jittor 框架实现，实验环境假设已正确配置相关依赖。

主要依赖包括：

• Python 3.7
• Jittor
• NumPy
• Pillow

---

运行方式

在确认依赖环境已经配置完成后，可直接在项目目录下运行：

python CGAN.py

程序将自动完成以下流程：

1. 下载并加载 MNIST 数据集
2. 训练 Conditional GAN 模型
3. 保存训练得到的模型参数
4. 根据学号对应的数字序列生成结果图像 result.png

如需修改生成的数字序列，可在代码末尾修改对应的学号字符串。

---

实验结果

程序运行完成后，将在当前目录下生成 result.png，图像中包含按照学号顺序生成的手写数字。生成结果已通过 MNIST 分类器验证，各类别识别准确率满足课程作业要求。

---

项目链接

本项目完整代码已上传至 Git 仓库，地址如下：

Gitlink 项目地址： https://www.gitlink.org.cn/baijingren/nankai-cgan-jittor

---

许可说明

本项目为课程实验用途，仅用于学习与教学交流，不涉及商业用途。如需进一步使用或修改，请遵循相关开源协议或课程要求。