Conditional GAN - MNIST 生成对抗网络

简介

本项目实现了基于 PyTorch 的条件生成对抗网络 (Conditional GAN)，用于生成特定类别的手写数字图像。通过给定的随机噪声和类别标签，模型可以学习生成与该类别相对应的手写数字图片。我的目标是探索深度学习在图像生成任务上的应用，并提高对 GAN 架构的理解。

安装

要运行本项目，请确保你的环境中已安装jittor框架，我提交了两个版本，一个是myCGAN.py（torch框架下的实现）一个是CGAN.py（jittor框架下的实现）

我的修改

我主要是把示例代码中的两个todo给完成了：

class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.label_embedding = nn.Embedding(opt.n_classes, opt.n_classes)
        self.model = nn.Sequential(nn.Linear((opt.n_classes + int(np.prod(img_shape))), 512),
                                   nn.LeakyReLU(0.2),
                                   nn.Linear(512, 512),
                                   nn.Dropout(0.4),
                                   nn.LeakyReLU(0.2),
                                   nn.Linear(512, 512),
                                   nn.Dropout(0.4),
                                   nn.LeakyReLU(0.2),
                                   # TODO: 添加最后一个线性层，最终输出为一个实数
                                   )

    def execute(self, img, labels):
        d_in = jt.contrib.concat((img.view((img.shape[0], (- 1))), self.label_embedding(labels)), dim=1)
        # TODO: 将d_in输入到模型中并返回计算结果

变成了：

  
class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.label_embedding = nn.Embedding(opt.n_classes, opt.n_classes)
        self.model = nn.Sequential(
            nn.Linear((opt.n_classes + int(np.prod(img_shape))), 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 512),
            nn.Dropout(0.4),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 512),
            nn.Dropout(0.4),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 1),
        )

    def forward(self, img, labels):
        d_in = torch.cat((img.view((img.shape[0], (- 1))), self.label_embedding(labels)), dim=1)
        validity = self.model(d_in)
        return validity
        

结果

经过多轮迭代，我的模型成功地学会了生成指定类别的手写数字图像。下面展示了生成结果，我的数字是”2212123“：