CGAN with Jittor

基于 Jittor 深度学习框架实现的条件生成对抗网络（CGAN），用于生成手写数字图像。

项目简介

本项目使用 Jittor 框架实现 CGAN 模型，在 MNIST 数据集上训练，能够根据指定的数字标签生成相应的手写数字图像。

环境要求

• Python 3.10+
• Jittor 1.3+
• PIL/Pillow
• NumPy

安装依赖

pip install jittor pillow numpy

项目结构

CG_Jittor/
├── pub/
│   ├── CGAN.py          # 主训练脚本
│   ├── readme.md        # 说明文档
│   └── result.png       # 生成的结果图片
├── .gitignore
└── README.md

使用方法

训练模型

cd pub
python3 CGAN.py

训练参数可以通过命令行修改：

python3 CGAN.py --n_epochs 100 --batch_size 64 --lr 0.0002

主要参数说明：

• --n_epochs: 训练轮数（默认100）
• --batch_size: 批次大小（默认64）
• --lr: 学习率（默认0.0002）
• --latent_dim: 潜在空间维度（默认100）
• --sample_interval: 采样间隔（默认1000）

生成图片

在训练过程中，模型会：

1. 每1000个batch保存一次生成的样本图片
2. 每10个epoch保存一次模型权重
3. 训练结束后生成指定数字序列的图片（result.png）

修改数字序列：编辑 CGAN.py 中的 number 变量：

number = "2311366"  # 修改为你想生成的数字序列

模型架构

生成器（Generator）

• 输入：噪声向量 + 数字标签
• 结构：全连接层 + BatchNorm + LeakyReLU
• 输出：32×32 的灰度图像

判别器（Discriminator）

• 输入：图像 + 数字标签
• 结构：全连接层 + Dropout + LeakyReLU
• 输出：真假判别分数

注意事项

1. 首次运行会自动下载 MNIST 数据集
2. 模型文件（.pkl）较大，已在 .gitignore 中排除
3. 训练过程中生成的大量样本图片也已排除，仅保留最终结果

License

MIT