CGAN_jittor_PA3

Conditional GAN for MNIST Digit Generation

📌 简介

这是一个使用 条件生成对抗网络（Conditional GAN） 生成手写数字图像的项目，基于 Jittor 深度学习框架实现。该项目训练了一个生成器模型，可以根据指定的数字类别生成对应的 MNIST 风格图像。

---

🧠 项目动机

• 学习和实践 Jittor 框架的基本使用。
• 实现一个简单的 Conditional GAN 模型来生成 MNIST 数字图像。
• 展示如何从噪声中生成可控的图像输出，并通过类别标签控制生成结果。

---

🛠️ 技术栈

• Python 3.x
• Jittor 深度学习框架
• NumPy
• PIL (用于图像处理)

---

📦 功能亮点

• 使用 Conditional GAN 架构，能够根据给定的类别标签生成特定数字。
• 支持训练、保存模型并进行推理生成图像。
• 提供了图像采样功能，可以可视化训练过程中的生成效果。

---

📚 数据集

• 使用标准的 MNIST 手写数字数据集。
• 图像尺寸统一为 32x32 并归一化到 [-1, 1] 范围。

---

🔧 安装与运行

✅ 环境依赖

请确保已安装以下依赖：

pip install jittor numpy pillow

▶️ 运行项目

克隆本仓库后，进入项目目录并运行：

python CGAN.py

训练过程中会定期保存生成的图像和模型文件（每 opt.sample_interval 步一次），并在每个 epoch 结束时保存模型。 最终生成的图像会保存为 result.png，内容是一个由模型根据字符串生成的数字序列图像。

📚 参考资源

• Jittor 官方文档
• GAN 原始论文
• Conditional GAN 教程（PyTorch 版）