CGAN_Jittor

A Conditional GAN (CGAN) implementation in Jittor for generating MNIST digit images.
清华大学《计算机图形学基础》课程实验三（PA3）项目

🌟 项目简介

本项目基于 Jittor 深度学习框架实现了 Conditional Generative Adversarial Network（CGAN），用于在 MNIST 数据集上生成手写数字图像。通过引入类别标签，CGAN 能够生成指定数字的图像。该项目为清华大学《计算机图形学基础》课程 PA3 实验的实践任务。

📁 项目结构

. ├── CGAN.py # 主程序，包含网络定义、训练与推理 ├── generator_last.pkl # 训练保存的生成器模型（示例） ├── discriminator_last.pkl # 训练保存的判别器模型（示例） ├── result.png # 生成的指定数字图像拼接图（示例） └── README.md # 项目说明文件

🧠 模型架构

Generator（生成器）：
- 输入：随机噪声 z + 标签 embedding
- 输出：32×32 的灰度图像
Discriminator（判别器）：
- 输入：图像 + 标签 embedding
- 输出：实数（越接近 1 表示越可能是真实图像）
损失函数：采用均方误差（MSE）

🚀 运行说明

依赖安装

请确保系统安装了 Jittor 框架，可使用如下命令：

pip install jittor

确保安装版本在 1.2.2.59 及以上。

训练模型

直接运行：

python CGAN.py

你可以使用以下参数进行自定义：

--n_epochs            # 训练轮数（默认：100）
--batch_size          # 每批图像数量（默认：64）
--lr                  # 学习率（默认：0.0002）
--latent_dim          # 隐空间维度（默认：100）
--img_size            # 图像尺寸（默认：32）
--sample_interval     # 每训练多少步保存一次生成图像（默认：1000）

例如：

python CGAN.py --n_epochs 200 --batch_size 128

推理生成

请在代码末尾填写指定数字序列，例如：

number = "3141592653"

然后重新运行 CGAN.py 生成 result.png。