GAN实战之Pytorch 使用CGAN生成指定MNIST手写数字

有关条件GAN（cgan)的相关原理，可以参考：

GAN系列之CGAN原理简介以及pytorch项目代码实现

其他类型的GAN原理介绍以及应用，可以查看我的GANs专栏

一、数据集介绍，加载数据

依旧使用到的是我们的老朋友-----MNIST手写数字数据集,  本文不再详细做介绍

相关数据集介绍可以参考:深度学习入门--MNIST数据集及创建自己的手写数字数据集

传统GAN生成手写数字参考：入门GAN实战---生成MNIST手写数据集代码实现pytorch

DCGAN生成手写数字参考：Pytorch 使用DCGAN生成MNIST手写数字 入门级教程

# 独热编码
def one_hot(x, class_count=10):
    return torch.eye(class_count)[x, :] 


transform =transforms.Compose([transforms.ToTensor(),
                               transforms.Normalize(0.5, 0.5)])

# 这个数据集其实包含两部分，第一部分是数据，第二部分是标签 print（dataset[0])
#这个第二部分就是我们所需要的condition，这个condition是数值类型，1就是1，2就是2。
#作为输入的condition并不是很合适，一种处理方法就是作为一种向量输入，就是独热编码化。
#比如说现在有10个类别，10个类别将被独热编码为长度为10的tensor，使用这个tensor作为我们的condition是比较合适的

dataset = torchvision.datasets.MNIST('data',
                                     train=True,
                                     transform=transform,
                                     target_transform=one_hot,
                                     download=False)
dataloader = data.DataLoader(dataset, batch_size=64, shuffle=True)

这里有个小技巧是作者用到独热编码化 

One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。独热编码 是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。

例如：参考数字手写体识别中：如