Conditional Generative Adversarial Networks (CGAN) 复现项目

本项目包含基于 PyTorch 实现的 条件生成对抗网络 (Conditional GAN) 的两套完整复现代码。项目旨在重现 Mirza & Osindero (2014) 的核心思想，并分别针对基础数据集 (MNIST) 和 复杂图像数据集 (CIFAR-10) 提供了不同层次的实现方案。

📂 项目概览

本仓库包含两个独立的子项目，分别对应不同的学习阶段和技术深度：

项目名称	数据集	难度 / 复杂度	核心架构	关键技术特性	链接
CGAN-MNIST	MNIST (手写数字)	⭐ 入门级	全连接层 (Fully Connected/MLP)	• 基础 CGAN 原理 • 混合精度训练 (AMP) • 基础 FID/IS 评估	点击查看
CGAN-CIFAR-10	CIFAR-10 (通用物体)	⭐⭐⭐ 进阶级	卷积网络 + ResBlock + Self-Attention	• 谱归一化 (Spectral Norm) • 梯度惩罚 (Gradient Penalty) • 自注意力机制 • 标签平滑与 Upsample	点击查看

🌟 核心特性

• 条件生成 (Conditional Generation): 两个项目均实现了基于类别标签（Class Labels）控制生成特定内容的图像。
• 现代训练技巧: 即便是基础的 MNIST 版本，也集成了 torch.amp 混合精度训练以提升效率。
• 标准化评估: 内置 FID (Fréchet Inception Distance) 和 IS (Inception Score) 计算代码，量化评估生成质量。
• 完整的可视化: 包含 Loss 曲线绘制、动态进度条监控以及按类别排列的生成样本展示。
• Jupyter Notebook 教学: 代码均以 Notebook 形式提供，步骤清晰，适合逐步运行和调试。

🚀 快速开始

1. 克隆仓库

git clone <your-repo-url>
cd CGAN

2. 环境配置

建议使用 Python 3.8+，并安装以下依赖：

# 通用依赖
pip install torch torchvision torchmetrics numpy matplotlib tqdm scipy

3. 选择项目运行

如果是 GAN 初学者： 建议先从 MNIST 项目开始，理解条件向量是如何注入到生成器和判别器中的。

cd CGAN_MNIST
# 打开并运行 CGAN_MNIST.ipynb

如果需要高质量生成或进阶研究： 请尝试 CIFAR-10 项目，体验 ResBlock、Self-Attention 和 WGAN-GP 等现代技术对生成稳定性的提升。

cd CGAN_CIFAR10
# 打开并运行 CGAN_CIFAR10.ipynb

📚 参考文献

• Original Paper: Conditional Generative Adversarial Nets (Mirza & Osindero, 2014)
• Deep Convolutional GAN: Unsupervised Representation Learning with Deep Convolutional GANs (Radford et al., 2016)
• Spectral Normalization: Spectral Normalization for Generative Adversarial Networks (Miyato et al., 2018)
• Self-Attention GAN: Self-Attention Generative Adversarial Networks (Zhang et al., 2018)

🤝 贡献与反馈

欢迎提交 Issue 或 Pull Request 来改进代码或增加新的特性。