CGAN_jittor

这个仓库包含一个使用 Jittor 深度学习框架实现的条件生成对抗网络（CGAN）。CGAN 是一种生成对抗网络（GAN），其中生成器和判别器都依赖于一些附加信息，在本项目中是 MNIST 数据集中的类别标签。

介绍

本项目实现了一个 CGAN，用于生成基于类别标签的图像。该实现使用 Jittor 深度学习框架和 MNIST 数据集。CGAN 由一个生成器和一个判别器组成，两者共同训练以生成与给定标签对应的逼真图像。

功能

使用类别标签的条件图像生成
通过命令行参数自定义训练参数
在训练过程中定期采样图像
模型检查点保存和加载训练好的模型

安装

要安装本项目所需的依赖项，请按照以下步骤操作：

克隆仓库：

git clone https://gitlink.org.cn/yzx2004/CGAN_jittor.git
cd CGAN-Jittor

安装 Jittor：

按照 Jittor 官方文档的说明安装 Jittor。
安装其他依赖项：
```
pip install numpy pillow
```

使用方法

训练 CGAN

要训练 CGAN，可以运行 CGAN.py 脚本，并通过命令行参数自定义训练参数（都是可选的）。下面是一个示例：

python CGAN.py [--n_epochs 100] [--batch_size 64] [--lr 0.0002] [--latent_dim 100] [--n_classes 10] [--img_size 32] [--channels 1] [--sample_interval 1000]

命令行参数

--n_epochs：训练的轮数（默认：100）
--batch_size：批次大小（默认：64）
--lr：Adam 优化器的学习率（默认：0.0002）
--b1：Adam 优化器的一阶动量的衰减（默认：0.5）
--b2：Adam 优化器的二阶动量的衰减（默认：0.999）
--n_cpu：生成批次时使用的 CPU 线程数（默认：8）
--latent_dim：潜在空间的维度（默认：100）
--n_classes：数据集的类别数量（默认：10）
--img_size：每个图像的尺寸（默认：32）
--channels：图像通道数（默认：1）
--sample_interval：图像采样的间隔（默认：1000）

模型检查点

在训练过程中，生成器和判别器的模型参数会定期保存到检查点文件 generator_last.pkl 和 discriminator_last.pkl 中。这些文件的用途如下：

generator_last.pkl：保存生成器的最新模型参数。可以使用这个文件在训练结束后恢复生成器模型，以继续训练或生成图像。
discriminator_last.pkl：保存判别器的最新模型参数。可以使用这个文件在训练结束后恢复判别器模型，以继续训练或评估生成器的性能。

要加载这些检查点文件，可以在脚本中调用 generator.load('generator_last.pkl') 和 discriminator.load('discriminator_last.pkl')。

生成图像

训练后，可以使用训练好的生成器生成图像。脚本将在训练期间按指定间隔保存采样的图像。最终生成的图像在训练循环结束后保存为 result.png。

结果展示

在训练期间，图像将按指定间隔保存（由 --sample_interval 定义）。下面是训练中采样的图像10000.png以及训练结束后生成的图像result.png的示例。

10000.png

1716856384268

result.png

1716856402959