CGAN (Jittor) for MNIST

基于 Jittor 的 Conditional GAN，在 MNIST 上按指定数字序列生成图片。默认生成顺序为 2311469，可通过参数覆盖。

1. 环境要求

• Python 3.7+（示例使用 3.7）
• Jittor（CPU/GPU 均可，GPU 需已装好 CUDA/CUDNN/驱动）
• 其余依赖：numpy, pillow（随 Jittor 一同安装即可）

2. 安装依赖

pip install --upgrade pip
pip install jittor==1.2.2.59 pillow numpy

如需指定镜像：-i https://pypi.tuna.tsinghua.edu.cn/simple。

3. 主要文件

• 训练与生成入口：pub/CGAN.py
• 变体（默认序列 2311469）：pub/CGAN_2311469.py

4. 运行示例

主机直接跑（默认序列 2311469）：

python pub/CGAN.py --n_epochs 1 --sample_interval 200

覆盖输出序列，例如 0123456789：

python pub/CGAN.py --n_epochs 1 --sample_interval 200 --sequence "0123456789"

使用 jittor 官方镜像（一次性运行）：

docker run --rm -v /绝对路径/pub:/workspace jittor/jittor:cuda11.8 \
    bash -c "python3 /workspace/CGAN.py --n_epochs 1 --sample_interval 200 --sequence '2311469'"

已运行的容器内（容器名示例 9141634d8e40）：

docker exec 9141634d8e40 bash -lc "cd /workspace && python3.7 CGAN.py --n_epochs 1 --sample_interval 200 --sequence '2311469'"

5. 训练输出

• 采样图：每隔 sample_interval 步保存一张 *.png，用于查看生成效果。
• 模型权重：每 10 个 epoch 保存 generator_last.pkl、discriminator_last.pkl。
• 最终拼接图：按 --sequence 生成的横向拼接 result.png。

6. 常见问题

• 判别器过强（D loss 低、G loss 高）：降低判别器学习率，或每步多训 G 少训 D，可加标签平滑（真实标签设为 0.9）。
• tqdm 报 RuntimeError（Set changed size during iteration）：设置环境变量 TQDM_DISABLE=1 运行即可。