CGAN_jittor

项目概述

A Jittor implementation of Conditional GAN (CGAN).

使用计图(jittor)深度学习框架在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。

• 作用：能够根据输入的随机数字序列生成对应的数字图像
• jittor框架的优势：一个完全基于动态编译（Just-in-time）,内部使用创新的元算子和统一计算图的深度学习框架， 元算子和Numpy一样易于使用，并且超越Numpy能够实现更复杂更高效的操作。
• 项目语言：Jittor,python

项目安装

需要在客户端安装jittor框架即可运行代码。

安装方法：https://cg.cs.tsinghua.edu.cn/jittor/download/

项目使用方法

下载代码后在文件CGAN.py中按需求修改对应参数后即可运行。

1. 训练参数配置：

parser = argparse.ArgumentParser()
parser.add_argument('--n_epochs', type=int, default=10, help='number of epochs of training')
parser.add_argument('--batch_size', type=int, default=64, help='size of the batches')
parser.add_argument('--lr', type=float, default=0.0002, help='adam: learning rate')
parser.add_argument('--b1', type=float, default=0.5, help='adam: decay of first order momentum of gradient')
parser.add_argument('--b2', type=float, default=0.999, help='adam: decay of first order momentum of gradient')
parser.add_argument('--n_cpu', type=int, default=8, help='number of cpu threads to use during batch generation')
parser.add_argument('--latent_dim', type=int, default=100, help='dimensionality of the latent space')
parser.add_argument('--n_classes', type=int, default=10, help='number of classes for dataset')
parser.add_argument('--img_size', type=int, default=32, help='size of each image dimension')
parser.add_argument('--channels', type=int, default=1, help='number of image channels')
parser.add_argument('--sample_interval', type=int, default=1000, help='interval between image sampling')
opt = parser.parse_args()
print(opt)

2. 将line：206中number的值修改为目标生成的数字序列：

number = [2, 0, 7, 5, 3, 1, 1, 2, 0, 7, 0, 3, 8, 8] 

3. 运行CGAN.py，如果环境支持，代码即可成功运行并开始训练模型，模型训练完成后，将在本目录下生成名为result.png的文件，该文件就是生成的目标数字序列图像。

友情链接

本项目框架代码来自以下连接：https://www.educoder.net/competitions/index/Jittor-5