lab0

项目概述

本项目利用 Jittor 框架实现了一个图像生成模型，主要基于生成对抗网络（GAN）架构，可生成特定数字图像。通过训练生成器与判别器，模型能学习数据分布，生成高质量图像，在图像生成领域具实用价值，如艺术创作、数据增强等场景。

功能特性

• 自定义图像生成：依设定数字序列生成对应图像，输入不同数字组合可获多样化结果，助用户按需创作图像。
• 模型训练与优化：采用 Adam 优化器与 MSELoss 损失函数训练，优化生成器与判别器参数，提升图像生成质量与模型性能。
• 数据集支持：集成 MNIST 数据集训练模型，为模型学习图像特征与分布提供丰富数据，经数据预处理适配模型训练需求。

安装指南

1. 环境依赖：确保系统安装 Python，建议 3.6 及以上版本；安装 Jittor 框架，依官方文档（https://cg.cs.tsinghua.edu.cn/jittor/）指引操作；其他必要库如 numpy、argparse、PIL 等可通过 pip install 安装。
2. 项目克隆与配置：从项目仓库克隆代码至本地；在项目目录打开终端或命令提示符，依需求修改代码中参数（如训练轮数、批次大小、学习率等），于命令行执行脚本启动项目。

使用方法

1. 模型训练：运行主脚本启动训练，训练进度与损失信息将打印于控制台，训练完成模型参数存为 generator_last.pkl 与 discriminator_last.pkl，可供后续使用或评估。
2. 图像生成：运行生成代码段，修改 number 变量为目标数字序列（字符串），生成图像存为 result.png，生成图像依数字序列定制，展示模型生成能力。

项目结构

• generator.py：定义生成器类 Generator，含嵌入层与多层全连接网络构建模型结构及前向传播逻辑，将随机噪声与标签转成图像。
• discriminator.py：定义判别器类 Discriminator，由嵌入层与多层全连接网络组成，判别输入图像真伪，输出判别结果。
• train.py：主训练脚本，设置训练参数、加载数据集、定义损失函数与优化器，迭代训练生成器与判别器，定期采样保存生成图像并保存模型。
• utils.py：存放数据预处理、图像保存等工具函数，如 save_image 函数处理图像保存格式与归一化，确保图像正确存储显示。