CGAN_jittor_2312631

项目简介：A Jittor implementation of Conditional GAN (CGAN).

本项目基于 Jittor 在 MNIST 数据集上训练 Conditional GAN，并在训练过程中按间隔保存采样图片；训练结束后生成最终结果图 result.png（数字序列为 2312631）。

功能概览

• 训练：使用 MNIST 数据集训练 CGAN（输入为随机噪声 + 数字类别标签，输出为对应数字图像）
• 采样可视化：训练过程中按间隔保存采样图片，便于观察生成质量变化
• 最终生成：脚本结束时生成一张横向拼接的结果图 result.png，内容为数字序列 2312631

环境说明

• Windows11+WSL2+Ubuntu22.04
• Python 3.7+
• jittor
• numpy
• pillow(PIL)

运行方式

首先在 WSL2 中安装好 Python 3.7+，并安装好 jittor 框架：

conda create -n jittor_env python=3.7
conda activate jittor_env

sudo apt install python3.7-dev libomp-dev
# 若出现问题 把命令换为sudo apt install python3-dev libomp-dev
python3.7 -m pip install jittor
python3.7 -m jittor.test.test_example
# 如果您电脑包含Nvidia显卡，检查cudnn加速库
python3.7 -m jittor.test.test_cudnn_op

若需要在WSL2中使用GPU来加速训练，需要安装Nvidia驱动和CUDA Toolkit：

最后，在 WSL2 中执行以下命令：

git clone https://gitlink.org.cn/linss/CGAN_jittor.git
cd CGAN_jittor
python CGAN.py

常用参数示例：

python CGAN.py --n_epochs 100 --batch_size 64 --sample_interval 1000

参数说明（可选）：

• --n_epochs：训练轮数
• --batch_size：批大小
• --sample_interval：保存采样图片的间隔（按训练迭代步计数）

效果展示

1. 最终生成结果

训练结束后，模型会自动加载最优/最新权重，并根据固定条件生成数字序列 2312631。

上图应包含从左到右依次排列的数字：2, 3, 1, 2, 6, 3, 1，对应学号信息。

2. 训练过程可视化

在训练过程中，脚本会按 --sample_interval 的间隔保存采样网格图（如 0.png, 1000.png 等）。每张图展示了生成器在当前阶段的能力：

• 0.png：初始阶段，通常全是噪点
• 5000.png：逐渐出现模糊的数字轮廓
• 最终阶段：数字清晰可辨，且类别符合标签

运行输出与效果：

• 首次运行 Jittor 可能会进行算子编译/下载依赖，耗时较长属于正常现象
• 训练过程中会周期性打印损失，例如：[Epoch x/y] [Batch a/b] [D loss: ...] [G loss: ...]
• 当 batches_done % sample_interval == 0 时，会在当前目录生成采样图片（如 0.png、1000.png、2000.png…）。这些图片通常是 10×10 的网格，展示不同数字标签条件下的生成结果
• 训练结束后会生成 result.png：一张横向拼接的图片，从左到右依次为 2 3 1 2 6 3 1 的生成数字

目录结构

• CGAN.py：训练与生成代码
• result.png：最终生成的数字图片
• readme.md
• .gitignore

Git 追踪文件说明

本项目的 .gitignore 仅屏蔽两类内容：

• 模型权重文件（如 *.pkl）
• 训练过程中生成的采样图片（*.png），但保留最终结果 result.png

开源地址

• Gitlink：https://gitlink.org.cn/linss/CGAN_jittor