Update README.md
| 第三届计图挑战赛开源
| 热身赛
本赛道将在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。
| 简单介绍项目背景、项目特点
本项目在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。本项目的特点是：采用了CGAN 方法对输入噪声和类别标签处理，取得了很好的效果。
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在 1张 3090 上运行，训练时间约为10 分钟。
直接python CGAN.py 即可运行
谢谢您的使用
热身赛
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
| 第三届计图挑战赛开源
Jittor 草图生成风景比赛 baseline
| 热身赛
本赛道将在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。
简介
| 简单介绍项目背景、项目特点
本项目在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型，通过输入一个随机向量 z 和额外的辅助信息 y (如类别标签)，生成特定数字的图像。本项目的特点是：采用了CGAN 方法对输入噪声和类别标签处理，取得了很好的效果。
安装
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在 1张 3090 上运行，训练时间约为10 分钟。
运行环境
直接python CGAN.py 即可运行
致谢
谢谢您的使用