ADD file via upload
本项目实现了一个基于条件生成对抗网络（Conditional GAN, CGAN）的模型，旨在根据随机噪声和类别标签生成MNIST手写数字图片。通过使用Jittor深度学习框架，设计并训练了生成器和判别器两个主要组件，实现了从随机输入生成特定类别数字的功能。最终，模型能够根据给定的用户随机ID生成对应的数字图片，展示了条件GAN在图像生成任务中的有效性。
首先，将本项目克隆到本地：
git clone https://gitlink.org.cn/sinco/221368_CGAN_jittor.git cd conditional-gan-mnist
确保已安装Jittor。可参考Jittor官方安装指南进行安装。安装完成后，继续安装其他依赖库：
pip install numpy pillow
运行以下命令开始训练条件GAN模型：
python CGAN.py
训练脚本支持多种可调参数，以下是默认参数及其说明：
--n_epochs
--batch_size
--lr
--b1
--b2
--n_cpu
--latent_dim
--n_classes
--img_size
--channels
--sample_interval
训练完成后，模型会根据给定的用户随机ID生成对应的数字图片。生成过程已集成在训练脚本末尾，具体步骤如下：
number ='2213628' # 指定数字序列 n_row = len(number) z = jt.array(np.random.normal(0, 1, (n_row, opt.latent_dim))).float32().stop_grad() labels = jt.array(np.array([int(number[num]) for num in range(n_row)])).float32().stop_grad() gen_imgs = generator(z, labels) img_array = gen_imgs.data.transpose((1,2,0,3))[0].reshape((gen_imgs.shape[2], -1)) min_=img_array.min() max_=img_array.max() img_array=(img_array-min_)/(max_-min_)*255 Image.fromarray(np.uint8(img_array)).save("result.png")
运行后，生成的图片将保存为result.png。
result.png
main.py
生成器接收随机噪声和类别标签，通过嵌入层和多层全连接网络逐步将输入映射到图像空间，最终生成指定类别的手写数字图片。网络结构包括若干线性层、批归一化层（BatchNorm）、LeakyReLU激活函数，最后一层使用Tanh激活函数输出图像。
判别器接收图片和类别标签，通过嵌入层和多层全连接网络提取特征，最终输出一个实数值，表示图片的真实性。网络结构包括若干线性层、Dropout层、LeakyReLU激活函数，最后一层输出单一实数。
采用均方误差损失（MSELoss）作为对抗损失，用于衡量生成器和判别器的性能。优化器选择Adam算法，分别为生成器和判别器设置学习率和动量参数。
在训练过程中，生成器和判别器的损失逐渐趋于稳定，生成的数字图片清晰且具有较高的辨识度。
最终，根据给定的用户随机ID“2213628”，模型成功生成了对应的数字图片，保存为result.png。
A Jittor implementation of Conditional GAN (CGAN).
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
CGAN_jittor
项目简介
本项目实现了一个基于条件生成对抗网络（Conditional GAN, CGAN）的模型，旨在根据随机噪声和类别标签生成MNIST手写数字图片。通过使用Jittor深度学习框架，设计并训练了生成器和判别器两个主要组件，实现了从随机输入生成特定类别数字的功能。最终，模型能够根据给定的用户随机ID生成对应的数字图片，展示了条件GAN在图像生成任务中的有效性。
环境要求
安装
1. 克隆项目
首先，将本项目克隆到本地：
2. 安装依赖
确保已安装Jittor。可参考Jittor官方安装指南进行安装。安装完成后，继续安装其他依赖库：
使用方法
1. 训练模型
运行以下命令开始训练条件GAN模型：
训练脚本支持多种可调参数，以下是默认参数及其说明：
--n_epochs：训练轮数，默认值为100--batch_size：批量大小，默认值为64--lr：学习率，默认值为0.0002--b1：Adam优化器的第一个动量参数，默认值为0.5--b2：Adam优化器的第二个动量参数，默认值为0.999--n_cpu：用于数据加载的CPU线程数，默认值为8--latent_dim：潜在空间维度，默认值为100--n_classes：类别数量，默认值为10--img_size：图像尺寸，默认值为32--channels：图像通道数，默认值为1--sample_interval：生成样本图片的间隔步数，默认值为10002. 生成图片
训练完成后，模型会根据给定的用户随机ID生成对应的数字图片。生成过程已集成在训练脚本末尾，具体步骤如下：
运行后，生成的图片将保存为
result.png。代码结构
main.py生成器（Generator）
生成器接收随机噪声和类别标签，通过嵌入层和多层全连接网络逐步将输入映射到图像空间，最终生成指定类别的手写数字图片。网络结构包括若干线性层、批归一化层（BatchNorm）、LeakyReLU激活函数，最后一层使用Tanh激活函数输出图像。
判别器（Discriminator）
判别器接收图片和类别标签，通过嵌入层和多层全连接网络提取特征，最终输出一个实数值，表示图片的真实性。网络结构包括若干线性层、Dropout层、LeakyReLU激活函数，最后一层输出单一实数。
损失函数与优化器
采用均方误差损失（MSELoss）作为对抗损失，用于衡量生成器和判别器的性能。优化器选择Adam算法，分别为生成器和判别器设置学习率和动量参数。
训练流程
result.png。结果
在训练过程中，生成器和判别器的损失逐渐趋于稳定，生成的数字图片清晰且具有较高的辨识度。
最终，根据给定的用户随机ID“2213628”，模型成功生成了对应的数字图片，保存为
result.png。