修改README
本项目为图形学作业PA3的代码实现,完成了样例代码的TODO部分,成功生成了本人的手机号。
计图(Jittor)是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,在易于使用的同时,提供高性能的优化。基于元算子开发的深度学习模型,可以被计图实时的自动优化并且运行在指定的硬件上,如CPU,GPU。
Conditional GAN可以让GAN产生的结果符合一定条件,即可以通过改变输入的向量,控制最终的输出结果。Conditional GAN与普通GAN的区别在于加入了一个额外的condition,并且在训练时使输出的结果拟合它。
ubuntu 20.04 LTS
python >= 3.7
jittor >= 1.3.0
(可选)cuda >= 11.0
windows 10
python >= 3.8
discriminator_last.pkl与generator_last.pkl是预训练好的模型,须与CGAN.py置于同一目录下。
discriminator_last.pkl
generator_last.pkl
CGAN.py
执行python CGAN.py即可开始训练,命令行参数如下:
python CGAN.py
--n_epochs 训练epoch数,默认100 --batch_size 训练batch size,默认64 --lr adam优化器学习率,默认0.0002 --b1 adam优化器一阶动量衰减速率,默认0.5 --b2 adam优化器二阶动量衰减速率,默认0.999 --n_cpu batch生成所用cpu线程数,默认8 --latent_dim 隐空间的维数,默认100 --n_classes 数据集标签类别数目,默认10 --img_size 图片的维数,默认32 --channels 图片通道数,默认1 --sample_interval 保存图片的间隔,默认100
使用jittor框架实现的Conditional-GAN,基于MNIST实现手写数字生成
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
jittor-PA3
简介
本项目为图形学作业PA3的代码实现,完成了样例代码的TODO部分,成功生成了本人的手机号。
背景
Jittor
计图(Jittor)是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,在易于使用的同时,提供高性能的优化。基于元算子开发的深度学习模型,可以被计图实时的自动优化并且运行在指定的硬件上,如CPU,GPU。
Conditional-GAN
Conditional GAN可以让GAN产生的结果符合一定条件,即可以通过改变输入的向量,控制最终的输出结果。Conditional GAN与普通GAN的区别在于加入了一个额外的condition,并且在训练时使输出的结果拟合它。
安装
运行环境
环境一
ubuntu 20.04 LTS
python >= 3.7
jittor >= 1.3.0
(可选)cuda >= 11.0
环境二
windows 10
python >= 3.8
jittor >= 1.3.0
(可选)cuda >= 11.0
安装依赖
预训练模型
discriminator_last.pkl
与generator_last.pkl
是预训练好的模型,须与CGAN.py
置于同一目录下。训练
执行
python CGAN.py
即可开始训练,命令行参数如下: