Update README.md
本项目使用 Jittor 机器学习框架，在数字图片数据集 MNIST 上训练一个将随机噪声和类别标签映射为数字图片的 Conditional GAN 模型，生成指定数字序列对应的图片。
Jittor（计图）是一个完全基于动态编译、内部使用创新的元算子和统一计算图的深度学习框架。元算子和 Numpy 一样易于使用，并且超越 Numpy 能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。基于元算子开发的深度学习模型，可以被计图实时的自动优化并且运行在指定的硬件上，如CPU，GPU，TPU。
Conditional GAN 模型是 GAN 框架的扩展。该体系结构通过将类标签 class label（通常是 one-hot 编码的 vector）嵌入到生成器中输入的噪声矢量和输入到鉴别器中的图像，来扩展原始公式。
依赖于 Jittor 框架
python -u CGAN.py
A Jittor implementation of Conditional GAN (CGAN).
CGAN_jittor
项目功能
本项目使用 Jittor 机器学习框架，在数字图片数据集 MNIST 上训练一个将随机噪声和类别标签映射为数字图片的 Conditional GAN 模型，生成指定数字序列对应的图片。
Jittor 机器学习框架
Jittor（计图）是一个完全基于动态编译、内部使用创新的元算子和统一计算图的深度学习框架。元算子和 Numpy 一样易于使用，并且超越 Numpy 能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。基于元算子开发的深度学习模型，可以被计图实时的自动优化并且运行在指定的硬件上，如CPU，GPU，TPU。
Conditional GAN 模型
Conditional GAN 模型是 GAN 框架的扩展。该体系结构通过将类标签 class label（通常是 one-hot 编码的 vector）嵌入到生成器中输入的噪声矢量和输入到鉴别器中的图像，来扩展原始公式。
使用方式
依赖于 Jittor 框架