CGAN_jittor

A Jittor implementation of Conditional GAN (CGAN).

项目简介

本项目是基于 Jittor 深度学习框架实现的条件生成对抗网络 (Conditional GAN)，用于生成 MNIST 手写数字图像。通过输入随机噪声向量和类别标签，模型可以生成指定数字的图像。

项目结构

CGAN_jittor/
├── CGAN.py          # 主程序：包含模型定义、训练和生成逻辑
├── README.md        # 项目说明文档
├── report.md        # 项目报告
└── .gitignore       # Git忽略文件配置

环境配置

1. 安装依赖

# 安装 Jittor（推荐使用 pip）
pip install jittor

# 安装其他依赖
pip install numpy pillow

更多 Jittor 安装方式请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/

2. 验证安装

python -c "import jittor; print(jittor.__version__)"

快速开始

训练模型

python CGAN.py

训练过程会自动：

• 下载 MNIST 数据集
• 训练 CGAN 模型（默认100个epoch）
• 保存生成器和判别器模型
• 生成训练样本图像 samples/
• 生成最终结果图像 result.png

输出文件

• generator_last.pkl - 训练好的生成器模型
• discriminator_last.pkl - 训练好的判别器模型
• samples/ - 训练过程中的样本图像
• result.png - 最终生成的数字图像

模型架构

Generator（生成器）

• 输入：100维随机噪声 + 10维类别嵌入
• 隐藏层：128 → 256 → 512 → 1024
• 输出：28×28 灰度图像
• 激活函数：LeakyReLU + Tanh

Discriminator（判别器）

• 输入：28×28 图像 + 10维类别嵌入
• 隐藏层：512 → 256 → 1
• 输出：真假概率 (0-1)
• 激活函数：LeakyReLU + Sigmoid

训练参数

参数	默认值
Epochs	100
Batch Size	64
Learning Rate	0.0002
Latent Dim	100
Image Size	28×28

参考文献

• Conditional Generative Adversarial Nets - Mirza & Osindero, 2014
• Jittor Documentation

License

MIT License