update readme
本项目实现了一个基于 Jittor 框架的条件生成对抗网络（cGAN）模型，用于在MNIST数据集上生成指定类别的手写数字图像。本项目的特点是：采用了标签嵌入与条件生成的方法对图像类别进行控制，取得了可控且质量较高的图像生成效果。
CPU和GPU均可。本实验使用一张RTX 2050显卡。 根据以下教程安装Jittor。
本项目使用 Jittor 自带的 MNIST 数据集接口，无需手动下载数据集，首次运行时会自动下载并预处理。图像会被灰度化并归一化到 [-1, 1] 区间。
python CGAN.py
训练中会每隔一段时间保存一次生成图像（如 0.png、1000.png 等），并保存最新模型参数至 generator_last.pkl 和 discriminator_last.pkl。 模型训练完成后，将自动加载最后一次保存的模型，并支持根据指定数字序列生成对应的图像结果。
在提供的框架上进行修改完成。 本项目参考了经典论文 Conditional Generative Adversarial Nets，并基于 Jittor 框架实现。MNIST 数据接口使用了 jittor.dataset.mnist 模块。
A Jittor implementation of Conditional GAN (CGAN)
Jittor挑战赛热身赛-生成手写数字（CGAN）
简介
本项目实现了一个基于 Jittor 框架的条件生成对抗网络（cGAN）模型，用于在MNIST数据集上生成指定类别的手写数字图像。本项目的特点是：采用了标签嵌入与条件生成的方法对图像类别进行控制，取得了可控且质量较高的图像生成效果。
安装
CPU和GPU均可。本实验使用一张RTX 2050显卡。 根据以下教程安装Jittor。
数据预处理
本项目使用 Jittor 自带的 MNIST 数据集接口，无需手动下载数据集，首次运行时会自动下载并预处理。图像会被灰度化并归一化到 [-1, 1] 区间。
训练、推理
训练中会每隔一段时间保存一次生成图像（如 0.png、1000.png 等），并保存最新模型参数至 generator_last.pkl 和 discriminator_last.pkl。 模型训练完成后，将自动加载最后一次保存的模型，并支持根据指定数字序列生成对应的图像结果。
致谢
在提供的框架上进行修改完成。 本项目参考了经典论文 Conditional Generative Adversarial Nets，并基于 Jittor 框架实现。MNIST 数据接口使用了 jittor.dataset.mnist 模块。