CGAN_jittor

一、简介

本项目包含了第四届计图人工智能挑战赛的热身赛题的代码实现及测试结果。

热身赛内容：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。

二、安装与使用

2.1 支持环境

• Linux(e.g. Ubuntu/CentOS/Arch)
• macOS
• Windows

其中Linux和macOS的依赖如下：

• Python：版本 >= 3.7
• C++编译器 （需要下列至少一个）
  • g++ （>=5.4.0 for linux）
  • clang （>=8.0 for mac）
• GPU 编译器（可选）：nvcc >=10.0
• GPU 加速库（可选）：cudnn-dev (cudnn开发版, 推荐使用tar安装方法，参考链接)

2.2 安装Jittor

在计图官网根据选择的系统按照相应步骤安装Jittor

2.3 运行代码

本项目中的CGAN.py基于赛题的示例代码，通过填充注释为 TODO 的部分，完成了完整的 CGAN 网络以及相关的训练流程。

在代码对应的目录下打开终端，输入以下命令即可运行：

python CGAN.py

2.4 生成结果示例

如图，生成结果在评测程序中测试后，每个数字的平均正确率为0.9996，大于0.7，测试通过。

三、致谢

此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。