Readme

一 项目功能

1 项目功能简介

​ 该项目使用GAN(生成对抗网络)模型来训练生成模型，其中包括生成器generator与判别器discriminator。在本项目中，我们记合成图片为第0类，真实图片为第1类。

​ 对于生成器G而言，我们输入一个随机向量z，希望生成的假图片G(z)能够“以假乱真”，骗过判别器D的检测。

​ 因此，我们定义生成器G的损失函数为：$L_G=(1-D(G(z,y_2),y_2){)}^{2}L\_G=(1-D(G(z,y\_2),y\_2))^2$，并希望通过训练来最小化这个损失函数。

​ 对于判别器D而言，我们希望区分一个输入的图片是来自于真实的图片x还是来自G生成的假图片G(z)。

​ 因此，我们定义判别器D的损失函数为：$L_D=\frac{1}{2}((D(G(z,y_2),y_2{)}^2+(1-D(x,y_1{)}^2)))L\_D=\backslash frac\{1\}\{2\}((D(G(z,y\_2),y\_2)^2+(1-D(x,y\_1)^2)))$，并希望通过训练来最小化这个损失函数。

2 项目流程&效果简介

​ 在CGAN.py文件中，首先会经过100轮的训练过程，每轮输入为938张图片，对生成器与判别器的相关参数进行训练。每训练1000张图片都会在当前目录下产生一张名为$[num]\mathrm{.}png[num].png$的图片，其中$numnum$代表当前已经训练的图片数目，且为1000的倍数。随着训练过程的进行，可以明显的看到图片中数字变得愈发清晰。在100轮训练完毕后，程序会在当前目录下产生一张名为$result\mathrm{.}pngresult.png$的图片，其中的数字即为用户在程序中自己设定的$numbernumber$值。

​ 若想看程序生成图片的效果，可以点击这里。其中$imageimage$文件夹下存放的为在训练过程中生成的全部图片，而$result\mathrm{.}pngresult.png$所展示的即为我在该程序中生成的$numbernumber$效果。

二 使用方式

​ 首先需要确保环境中安装了jittor库。如果还没有，请点击这里，找到与自己的环境相匹配的并进行安装。

​ 在安装过程无误后，进入CGAN.py所在目录下，编辑CGAN.py文件，将其中的number改为自己想要生成的数字串。之后在命令行中运行python CGAN.py (linux用户可能需要运行python3 CGAN.py)，在经过漫长的等待后即可在目录下的$result\mathrm{.}pngresult.png$文件中看到自己所想要生成的数字串。