Conditional GAN（条件生成对抗网络）

这是一个基于Jittor框架的简单的条件生成对抗网络（CGAN）实现，包括一个生成器和一个判别器，通过对抗训练的方式使得生成器可以生成逼真的样本，而判别器可以准确地区分真实样本和生成样本。

文件结构

• CGAN.py:包含完整的GAN实现代码，运行后会生成如下文件
  • generator_last.pkl: 存储最后训练完成的生成器模型。
  • discriminator_last.pkl: 存储最后训练完成的判别器模型。
  • 训练过程中保存的图片和最终的结果result.png。

    使用说明

    环境要求

• Jittor 提供了三种安装方法：docker，pip 和 手动安装，具体安装教程请参考： https://cg.cs.tsinghua.edu.cn/jittor/download/

  运行示例

  python CGAN.py

  参数说明

• --n_epochs: 训练的总epoch数，默认为100。
• --batch_size: 每个批次的样本数，默认为64。
• --lr: Adam优化器的学习率，默认为0.0002。
• --b1: Adam优化器的beta1参数，默认为0.5。
• --b2: Adam优化器的beta2参数，默认为0.999。
• --latent_dim: 潜在空间的维度，默认为100。
• --n_classes: 数据集的类别数，默认为10。
• --img_size: 生成图片的大小，默认为32x32。
• --channels: 图片的通道数，默认为1。
• --sample_interval: 每隔多少个batch保存一次生成的图片，默认为1000。

  输出结果

• 训练过程中会输出每个epoch的判别器和生成器的损失，并且每隔一定的间隔会保存生成的图片。训练完成后，会生成一个名为result.png的图片，其中包含了根据给定数字序列生成的图片。

数据集

• 使用了MNIST手写数字数据集作为训练数据集。

注意事项

• 训练过程可能需要较长时间，可以根据需要调整epoch数和batch size等参数。
• 可以尝试调整生成器和判别器的网络结构以及损失函数等参数，以获得更好的生成效果。