CGAN_jittor_NKU_CG

本项目为 南开大学《计算机图形学》课程小作业，基于官方示例代码补全实现，并在此基础上增加了若干实用功能。

---

项目简介

Conditional GAN（CGAN）是在传统 GAN 的基础上引入条件信息（类别标签）的生成模型，使生成器能够按照指定类别生成对应图像。

本项目使用 Jittor + MNIST 数据集，实现了一个完整的 CGAN 训练与生成流程，支持：

• 条件生成（按数字 0–9 生成手写数字）
• 模型断点恢复（resume）
• 训练过程与结果日志输出
• 生成结果图片保存

---

环境依赖

• Python
• Jittor

Jittor 安装

参考清华大学 Jittor 官方文档：
https://cg.cs.tsinghua.edu.cn/jittor/download/

在 Ubuntu 22.04 下，如遇 python3.7-dev 不存在的问题，可直接安装：

sudo apt install python3-dev

---

项目结构

.
├── CGAN.py              # 最终可运行版本
├── result.png           # 最终生成结果示例
├── .gitignore
└── README.md

---

运行方式

1. 从头开始训练

python3 CGAN.py

常用参数示例：

python3 CGAN.py --n_epochs 20 --sample_interval 10000

---

2. 断点恢复训练

若当前目录下存在：

• generator_last.pkl
• discriminator_last.pkl

可使用：

python3 CGAN.py --resume

程序将自动加载已有模型并继续训练。

---

实现说明

1. TODO 补全

在官方示例代码基础上，完成了以下 TODO：

• 补全判别器最后的线性输出层（输出真假得分）
• 实现判别器 execute（forward）逻辑
• 完整实现判别器对真实样本 / 生成样本的损失计算

使 CGAN 能够正常训练并收敛。

---

2. 新增功能

（1）断点恢复（resume）

• 新增 --resume 命令行参数
• 支持从 .pkl 权重文件恢复训练
• 适合 CPU 环境下长时间训练或中途异常中断的情况

（2）结果日志输出

• 训练过程中输出 Generator / Discriminator loss
• 训练结束后评估判别器在 MNIST 测试集上的表现：
  • 真实样本判真准确率
  • 生成样本判假准确率
  • 各数字类别的平均正确率

---

实验结果说明

在 CPU 环境下训练 20 个 epoch 后：

• 判别器在测试集上的准确率约为 0.77
• 各类别平均正确率均在 0.7 以上

最终可按指定数字序列生成对应手写数字图像（如学号）。