readme
本项目是基于 Jittor 框架实现的条件生成对抗网络（Conditional GAN，CGAN）。它以 MNIST 数字图片数据集为基础，训练一个能够将随机噪声和类别标签映射为数字图片的模型，可生成指定数字序列对应的图片。
使用 Jittor 深度学习框架进行模型搭建与训练。Jittor 支持 Linux、Windows（包括 WSL）系统。同时依赖 Python 及 C++ 编译器（g++ 或 clang）。
pub 文件夹下主要包含一个代码文件 CGAN.py，实现了模型定义、训练和推理，可以修改参数来生成制定数字的图片。此外还包含训练的中间结果、模型参数与最终图片。
安装 Jittor 框架，可通过 docker、pip 或手动安装，具体教程参考：https://cg.cs.tsinghua.edu.cn/jittor/download/ 。 运行 CGAN.py，代码会自动下载 MNIST 数据集，并按照设定的优化器和损失函数进行模型训练。每轮迭代会枚举数据集中的图片和类别标签对，随机生成输入向量，计算生成器和判别器的损失函数，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。 模型训练完毕后，会根据指定的数字序列生成图片并保存至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
一、项目概述
本项目是基于 Jittor 框架实现的条件生成对抗网络（Conditional GAN，CGAN）。它以 MNIST 数字图片数据集为基础，训练一个能够将随机噪声和类别标签映射为数字图片的模型，可生成指定数字序列对应的图片。
二、技术框架
使用 Jittor 深度学习框架进行模型搭建与训练。Jittor 支持 Linux、Windows（包括 WSL）系统。同时依赖 Python 及 C++ 编译器（g++ 或 clang）。
三、项目结构
pub 文件夹下主要包含一个代码文件 CGAN.py，实现了模型定义、训练和推理，可以修改参数来生成制定数字的图片。此外还包含训练的中间结果、模型参数与最终图片。
四、运行方式
安装 Jittor 框架，可通过 docker、pip 或手动安装，具体教程参考：https://cg.cs.tsinghua.edu.cn/jittor/download/ 。 运行 CGAN.py，代码会自动下载 MNIST 数据集，并按照设定的优化器和损失函数进行模型训练。每轮迭代会枚举数据集中的图片和类别标签对，随机生成输入向量，计算生成器和判别器的损失函数，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。 模型训练完毕后，会根据指定的数字序列生成图片并保存至result.png。