Conditional GAN-Jittor

A Jittor implementation of Conditional GAN (CGAN).

利用Jittor开源框架在数字图片数据集 MNIST 上训练 Conditional GAN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)，生成给定的随机ID“20566972051831”对应的数字图片结果。

CGAN作用

CGAN 是一种深度学习模型，用于生成数据，特别是在图像生成领域中非常流行。

1. 图像生成：该应用能够生成新的图像数据，这些图像是基于输入的随机噪声和条件标签（如数字类别）生成的。
2. 条件控制：与传统的生成对抗网络（GAN）相比，CGAN 能够根据给定的条件（如数字标签）生成图像，这允许更精细的控制和更有意义的结果。
3. 训练与评估：应用包括了一个完整的训练循环，其中包含生成器（Generator）和判别器（Discriminator）的交替训练，以及模型的评估过程。
4. 数据集处理：应用使用了 MNIST 数据集，并通过一系列转换（如调整大小、灰度化、归一化）来准备数据。
5. 图像保存：在训练过程中，应用会定期生成并保存图像样本，以便于可视化和评估生成图像的质量。
6. 模型保存与加载：应用能够保存训练好的生成器和判别器模型，并在需要时重新加载这些模型进行进一步的使用或评估。

使用CGAN的原因

1. 创新性：CGAN 是一种先进的生成模型，它通过引入条件信息提高了生成过程的可控性。
2. 数据生成：在缺乏足够数据或需要创建新样本进行测试和验证时，CGAN 可以生成看起来真实的图像数据。
3. 多样性与控制：CGAN 允许在生成过程中加入条件，从而可以生成特定类型的图像，这在艺术创作、游戏设计、数据增强等领域非常有用。
4. 模型性能：Jittor 是一个高性能的深度学习框架，它支持动态图和异步计算，这有助于提高模型训练的效率。
5. 实验与研究：CGAN 作为研究工具，可以帮助研究人员探索生成模型的潜力，理解模型的行为，并推动图像生成技术的发展。

项目框架

│ CGAN.py │ discriminator_last.pkl │ generator_last.pkl │ README.md │ result.png │
└─process 0.png

​ │ 省略92张图片

​ 93000.png