cgan_jittor

本项目使用 Jittor 机器学习框架，在数字图片数据集 MNIST 上训练一个将随机噪声和类别标签映射为数字图片的 Conditional GAN 模型，生成指定数字序列对应的图片。

环境说明

Jittor 框架目前支持 Linux 或 Windows，需要使用 Python 及 C++编译器（g++或 clang）。 Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考： https://cg.cs.tsinghua.edu.cn/jittor/download/。

代码框架

本次代码仅包含一个文件 CGAN.py。

生成器Generator和判别器Discriminator 中的 init 函数用于定义模型架构，execute 函数给定网络输入返回网络输出。

模型中主要使用的模块有

nn.Embedding(num, dim)：用于将 num 类整数标签转换为 dim 维向量。
nn.Linear(in_features, out_features)：全连接层，输入向量维度 in_features，输出向量维度 out_features。
nn.Drouout(p)：将比例为 p 的特征置为 0。
nn.LeakyReLU(scale)：ReLU 函数的变种，输入为负值时输出乘以 scale。

因为图像的尺度较小，我们直接使用了全连接层而不是通常的卷积层。

代码会自动下载 MNIST 数据集。每轮迭代中，我们枚举数据集中的图片（imgs）和类别标签（labels）对，并随机生成一组输入向量，计算生成器和判别器损失函数，回传梯度并更新网络参数。每迭代若干轮会随机采样生成一批数字图片，如下：

随机采样生成的数字图片

运行说明

在根目录下运行python CGAN.py，可以添加的参数如下：

参数	默认值	含义
–n_epochs	50	number of epochs of training
–batch_size	64	size of the batches
–lr	0.0002	adam: learning rate
–b1	0.5	adam: decay of first order momentum of gradient
–b2	0.999	adam: decay of first order momentum of gradient
–n_cpu	8	number of cpu threads to use during batch generation
–latent_dim	100	dimensionality of the latent space
–n_classes	10	number of classes for dataset
–img_size	32	size of each image dimension
–channels	1	number of image channels
–sample_interval	1000	interval between image sampling

如python CGAN.py --n_epochs 100。

示例结果

更改CGAN.py中的number变量值，可以改变输出的数字序列。下面为一个样例输出：

样例输出