CVAE-GAN-zoos-PyTorch-初学者

首先，感谢给小透明点赞的几位朋友。

中文讲解：

如果你是第一次接触AE自编码器和GAN生成对抗网络，那这将会是一个非常有用且效率的学习资源。所有的内容使用PyTorch编写，编写格式清晰，非常适合PyTorch新手作为学习资源。本项目的所有模型目前都是基于MNIST数据库进行图片生成。MNIST数据集是一个比较小，一个光CPU就能跑起来的小数据库。新人友好数据库。

本项目总共包含以下模型：AE（自编码器）, DAE（降噪自编码器）, VAE（变分自编码器）, GAN（对抗生成网络）, CGAN（条件对抗生成网络）, DCGAN（深度卷积对抗生成网络）, WGAN（Wasserstain 对抗生成网络）, WGAN-GP（基于梯度惩罚的WGAN）, VAE-GAN（变分自编码对抗生成网络）, CVAE-GAN（条件变分自编码对抗生成网络）PS:部分英文翻译的中文是我自己编的，哈哈！

建议学习这些模型的顺序为：

---

运行AE.py的时候，会自动在同目录下生成data文件，这个文件是自动下载的MNIST数据集；还会生成img_AE，这个是每一个epoch模型生成的图片

AE和DAE是非常类似的，这两个不是生成模型，而是单纯的对数据进行压缩存储的网络，不是生成网络!在运行完AE.py之后，会生成一个AE_z2.pth模型存储文件，之后可以运行AE_test.py，会生成网络对手写数字的压缩，可以看到相同数字映射到2维度的时候，会聚集在一起，有一点像是聚类分析。是一种无监督学习。来看一下AE的编码图像：

可以看到相同的数字彼此更靠近

这个就是把28*28的手写数字映射x,y两个维度上，看一下x,y属于[-2,2]的这个正方形区域，分别对应哪些图片。这个图片有点那个味道，但是我们发现中心的数字更亮，那是因为这个网络只能编码，而不能生成，想看比较好的效果的可以直接去看CVAE-GAN生成的图片，很有feel，你也很快就能生成。

---

CGAN是conditional 虽然GAN是无监督学习，但是我们也可以加入标签信息，然后生成指定标签的图片：

---

VAE是AE模型家族中的一个生成模型，来看一下VAE生成的图像：

---

VAE-WGANGP是一个在本项目中效果最好的无需标签的无监督生成网络。图像清晰，而且过度均匀

---

CVAE-GAN是本项目中效果最好的，采用了标签信息的监督生成网络。这里本想尝试改成CVAE-WGANGP，但是因为加入了标签信息导致WGANGP的损失函数不知道如何处理标签的梯度惩罚，所以没能实现。但是CVAE-GAN的效果也是不错的。

首先我们可以生成指定的不同样式的数字：

我们也可以观察一个数字是如何慢慢转化成另外一个数字的：

---

英文版本还没有写完2333 对于初学者来说，这将是学习VAE、GAN和CVAE-GAN的最佳起点。

本项目包含AE、DAE、VAE、GAN、CGAN、DCGAN、WGAN、WGAN-GP、VAE-GAN、CVAE-GAN。
全部使用PyTorch。
全部采用MNIST数据集，你无需下载任何东西，只需克隆这个GitHub仓库即可。

如果你是GAN和自编码器的新手，我建议你可以按照以下顺序学习这些模型：

1. GAN -> DCGAN -> WGAN -> WGAN-GP
2. GAN -> CGAN
3. AE -> DAE -> VAE
4. 如果你完成了以上所有模型，就可以开始学习CVAE-GAN了。

我花了两天时间用PyTorch重新实现了这些模型，我相信你一定能做得更好、更快。

让我们来看看CVAE-GAN的效果吧：

你可以生成任意你喜欢的照片

你可以观察一个数字是如何慢慢变成另一个数字的，这很有趣！

CVAE-GAN-zoos-PyTorch-Beginner 快速上手指南

环境准备

• 系统要求：Windows / macOS / Linux（推荐 Linux）
• Python 版本：3.8+
• 前置依赖：PyTorch、torchvision、matplotlib、numpy

推荐使用国内镜像源加速安装：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118（CUDA 11.8）
或使用清华源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装步骤

1. 克隆项目：

git clone https://github.com/your-repo/CVAE-GAN-zoos-PyTorch-Beginner.git
cd CVAE-GAN-zoos-PyTorch-Beginner

2. 安装依赖（自动下载 MNIST 数据集）：

pip install torch torchvision matplotlib numpy

数据集将自动下载至项目根目录的 data/ 文件夹，无需手动操作。

基本使用

最简单示例：运行 AE 模型

python AE.py

运行后：

• 自动下载 MNIST 数据集到 data/
• 生成训练图像到 img_AE/
• 保存模型为 AE_z2.pth

查看编码效果（可选）

python AE_test.py

观察 img_AE/ 中的编码分布图，了解数字在 2D 空间中的聚类表现。

体验最佳生成效果：CVAE-GAN

python CVAE-GAN.py

训练完成后：

• 生成指定数字的图像（如 0→9）
• 可观察数字平滑过渡效果（如 5→3）

所有模型均基于 MNIST，无需额外数据，CPU 可运行，适合新手快速上手。
建议按顺序学习：AE → VAE → GAN → CGAN → CVAE-GAN，效果更佳。