pytorch-MNIST-CelebA-cGAN-cDCGAN

PyTorch 实现的条件生成对抗网络（cGAN）[1] 和条件深度卷积生成对抗网络（cDCGAN）[2]，分别应用于 MNIST [3] 和 CelebA [4] 数据集。

• 本代码的网络架构（层数、每层大小、激活函数等）与论文中的实现有所不同。

• 在 CelebA 数据集中，性别标签被用作条件。

• 如果您想使用裁剪后的 CelebA 数据集进行训练，需要将 isCrop = False 改为 isCrop = True。

• 您可以下载：

  • MNIST 数据集：http://yann.lecun.com/exdb/mnist/
  • CelebA 数据集：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

实现细节

• cGAN

• cDCGAN

结果

MNIST

• 使用固定噪声生成图像（fixed_z_）

cGAN	cDCGAN

• MNIST 与生成图像对比

MNIST	cGAN 训练 50 轮后	cDCGAN 训练 20 轮后

• 训练时间
  • MNIST cGAN - 每轮平均：9.13 秒；共 50 轮：937.06 秒
  • MNIST cDCGAN - 每轮平均：47.16 秒；共 20 轮：1024.26 秒

CelebA

• 使用固定噪声生成图像（fixed_z_；奇数行女性（y: 0），偶数行男性（y: 1）；每两行风格相同，分别为 (1-2) 和 (3-4)。）

cDCGAN	cDCGAN 裁剪版

CelebA 与生成图像对比

CelebA	cDCGAN 训练 20 轮后	cDCGAN 裁剪版训练 30 轮后

CelebA cDCGAN 形态变化（噪声插值）

cDCGAN	cDCGAN 裁剪版

训练时间

• CelebA cDCGAN - 每轮平均：826.69 秒；共 20 轮：16564.10 秒

开发环境

• Ubuntu 14.04 LTS
• NVIDIA GTX 1080 ti
• cuda 8.0
• Python 2.7.6
• PyTorch 0.1.12
• torchvision 0.1.8
• matplotlib 1.3.1
• imageio 2.2.0

参考文献

[1] Mirza, Mehdi, and Simon Osindero. "Conditional generative adversarial nets." arXiv preprint arXiv:1411.1784 (2014).

（完整论文：https://arxiv.org/pdf/1411.1784.pdf）

[2] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. "Gradient-based learning applied to document recognition." Proceedings of the IEEE, 86(11):2278-2324, November 1998.

[3] Liu, Ziwei, et al. "Deep learning face attributes in the wild." Proceedings of the IEEE International Conference on Computer Vision. 2015.

pytorch-MNIST-CelebA-cGAN-cDCGAN 快速上手指南

本指南帮助开发者快速部署并运行基于 PyTorch 的条件生成对抗网络（cGAN/cDCGAN），支持 MNIST 手写数字和 CelebA 人脸数据集的图像生成。

环境准备

系统要求

• 操作系统: Ubuntu 14.04 LTS 或更高版本（推荐 Linux 环境）
• GPU: NVIDIA GPU (示例环境为 GTX 1080 Ti)
• CUDA: 8.0 或兼容版本

前置依赖

确保已安装以下 Python 库及对应版本（原文基于较旧版本，建议在新环境中测试兼容性或使用虚拟环境）：

• Python 2.7.6 (注：现代开发建议迁移至 Python 3.x，需自行调整代码兼容性)
• PyTorch 0.1.12
• torchvision 0.1.8
• matplotlib 1.3.1
• imageio 2.2.0

提示：国内用户可使用清华源或阿里源加速 pip 安装。例如： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目代码

   git clone <repository_url>
   cd pytorch-MNIST-CelebA-cGAN-cDCGAN
   

2. 安装 Python 依赖 若使用 requirements.txt（如有）：

   pip install -r requirements.txt
   

   若无文件，请手动安装核心库：

   pip install torch==0.1.12 torchvision==0.1.8 matplotlib==1.3.1 imageio==2.2.0
   

   (国内加速示例):

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==0.1.12 torchvision==0.1.8 matplotlib==1.3.1 imageio==2.2.0
   

3. 准备数据集 下载所需数据集并放置于项目目录或指定路径：

   • MNIST: http://yann.lecun.com/exdb/mnist/ (国内镜像替代): 可通过 torchvision.datasets.MNIST 自动下载，或从阿里云盘/百度网盘搜索资源。
   • CelebA: http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html (注意): 如需使用裁剪版数据集，需在代码中将 isCrop = False 修改为 isCrop = True。

基本使用

1. 训练 MNIST cGAN/cDCGAN

直接运行主脚本（假设脚本名为 main.py，具体文件名请查看项目根目录）：

python main.py --dataset MNIST --model cGAN

或训练 cDCGAN：

python main.py --dataset MNIST --model cDCGAN

预期结果: 训练完成后，生成图像将保存在 MNIST_cGAN_results 或 MNIST_cDCGAN_results 文件夹中。

2. 训练 CelebA cDCGAN

使用性别标签作为条件进行训练：

python main.py --dataset CelebA --model cDCGAN

注意: 默认使用未裁剪数据。若使用裁剪数据，请先修改代码中的 isCrop 参数为 True。

# 修改代码后运行
python main.py --dataset CelebA --model cDCGAN

预期结果: 生成图像将保存在 CelebA_cDCGAN_results 文件夹中，奇数行为女性 (y:0)，偶数行为男性 (y:1)。

3. 查看生成结果

训练过程中或结束后，检查输出目录下的 .png 图片或 .gif 动画，对比原始数据与生成效果。