第二届计图挑战赛之热身赛

基于Jittor框架实现的CGAN网络(数字生成)

简介

本项目包含了第二届计图挑战赛热身赛的代码。该比赛在数字图片数据集 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。

这里是本项目所使用的[基本代码框架](https://github.com/Jittor/gan-jittor/blob/master/ competition/warm_up_comp/CGAN.py)，本项目在此基础上完成了TODO的要求。

安装

本项目在普通安装Nvidia显卡的电脑上即可运行。

安装Jittor的方式请到官网查看详情

运行环境

• python >= 3.8
• CUDA >= 10.2
• jittor >= 1.3.0

安装依赖

执行以下命令安装 python 依赖

pip install jittor 

预训练模型

本次实验代码没有使用预训练模型，但训练完毕之后的checkpoint将会存至到与main.py同目录下的generator_last.pkl与discriminator_last.pkl文件之中，以供后续使用。

数据预处理

本代码的数据是从网上下载的，无需数据预处理操作

训练

单卡训练可直接运行以下命令：

python main.py 

致谢

本份代码基于 jittor-gan所提供的框架实现，感谢代码框架的提供者。

感谢国家自然科学基金委信息科学部，北京信息科学与技术国家研究中心，清华-腾讯互联网创新技术联合实验室共同指导举办的本次Jittor人工智能挑战赛

感谢腾讯科技(深圳)有限公司对本次赛事的赞助

注意事项

• 在安装Jittor时若遇到错误，应先检查python的版本，若是版本问题，建议去官网下载python新版本，本人使用的是python 3.10.4，亲测可以顺利安装Jittor。
• 代码中主要使用到的Jittor框架中的模块有：
  • nn.Embedding(num, dim)：用于将 num 类整数标签转换为 dim 维向量
  • nn.Linear(in_features, out_features)：全连接层，输入向量维度 in_features，输出向量 维度 out_features
  • nn.Drouout(p)：将比例为 p 的特征置为 0
  • nn.LeakyReLU(scale)：ReLU 函数的变种，输入为负值时输出乘以 scale