Jittor 热身赛 CGAN

本项目将在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。

简介

本项目包含了第五届计图挑战赛-热身赛的代码实现。本项目的特点是：训练一个将随机噪声和类别标签映射为数字图片的Conditiona1GAN模型，并生成给定用户随机ID对应的数字图片结果。

安装

运行环境

• ubuntu 20.04 LTS
• python >= 3.7
• jittor >= 1.3.0

训练

参数解析和数据加载:

使用argparse解析训练的参数。 加载MNIST数据集，并进行预处理。

定义生成器和判别器:

使用均方误差（MSE）作为损失函数。 定义生成器和判别器的优化器。

训练过程:

在每个训练周期（epoch）中，执行以下步骤：

获取批次数据。 训练生成器： 采样随机噪声和类别标签作为输入。 生成图片并计算生成器的损失。 更新生成器参数。 训练判别器： 对真实图片计算判别器的损失。 对生成图片计算判别器的损失。 总的判别器损失为两者的平均。 更新判别器参数。

推理

生成器的推理:

加载训练好的生成器模型。 输入随机噪声和类别标签生成图片。 判别器的推理:

加载训练好的判别器模型。

输入生成的图片和相应的标签，输出图片的真实性得分。

生成测试集上的结果可以运行以下命令：

python CGAN.py