Jittor 热身赛

主要结果

https://gitlink.org.cn/xthdhb/jittor_pa3.git

简介

本项目实现了第二届计图挑战赛计图热身赛的代码，基于条件生成对抗网络（CGAN）完成相关任务。条件生成对抗网络是生成对抗网络（GAN）的一种扩展，通过在生成器和判别器中引入额外的条件信息，使得生成器能够生成特定类型的样本。在本项目中，我们使用 CGAN 生成特定数字的手写图像，可用于图像生成、数据增强等相关领域的研究与应用。

安装

下载项目 将项目代码下载到本地，你可以通过以下命令使用 git 进行克隆：

git clone https://gitlink.org.cn/xthdhb/jittor_pa3.git

运行环境

为了确保项目能够正常运行，请确保你的环境满足以下要求：

操作系统：Ubuntu 20.04 LTS Python 版本：Python >= 3.7 Jittor 版本：Jittor >= 1.3.0

安装依赖

项目的 Python 依赖项已经在 requirements.txt 文件中列出，你可以执行以下命令来安装这些依赖：

pip install -r requirements.txt

训练

在完成环境配置和依赖安装后，你可以执行以下指令开始训练：

python CGAN.py

在训练过程中，模型会在每个 sample_interval 间隔生成一组图像，并保存为以当前训练批次编号命名的 .png 文件。训练结束后，会根据指定的数字序列生成一组图像，并将结果保存为 result.png 文件。

训练参数调整

你可以通过修改 CGAN.py 文件中的命令行参数来调整训练过程，以下是一些常用参数的说明：

–n_epochs：训练的轮数，默认值为 100。 –batch_size：每个批次的样本数量，默认值为 64。 –lr：学习率，默认值为 0.0002。 –latent_dim：潜在空间的维度，默认值为 100。 –n_classes：数据集中的类别数量，默认值为 10。 –img_size：图像的尺寸，默认值为 32。 –sample_interval：图像采样的间隔，默认值为 1000。

例如，如果你想将训练轮数调整为 200，批次大小调整为 128，可以使用以下命令：

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

模型保存与加载

在训练过程中，每 10 个训练轮次会保存一次生成器和判别器的模型参数，分别保存为 generator_last.pkl 和 discriminator_last.pkl 文件。训练结束后，模型会自动加载最后一次保存的参数，并生成指定数字序列的图像。 可以通过修改204行的number来修改生成的图像对应的数字序列。

注意事项

确保你的系统已经安装了 CUDA，并且 Jittor 能够正常使用 GPU 进行加速。如果没有可用的 GPU，代码也可以在 CPU 上运行，但训练速度会较慢。 训练过程可能需要较长时间，具体时间取决于你的硬件配置和训练参数。