在首次运行本项目时，需要先训练Conditional GAN 模型（即直接运行CGAN.py文件），程序会每隔一段时间保存生成器的训练结果，同时记录并输出两个模型的误差，在训练结束之后，会把训练好的模型存储成generator_last.pkl文件，并生成指定的目标图像。训练好后，可以修改227行的number为想要的数字序列，然后从222行的以下代码开始执行，结果会保存为result.png。
generator.eval()
关于
A Jittor implementation of Conditional GAN (CGAN), finished as practice of computer graphics course.
CGAN_jittor_lessonPractice
1. 简述 Description
本项目使用 Jittor 深度学习框架，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（一个生成器与一个判别器），并据此模型生成指定数字序列对应的图片。
2.环境配置 Environment settings
本项目需要安装Jittor框架，Jittor 框架目前支持 Linux 或 Windows(包括 WSL)，mac 系统请安装虚拟机解决。需要使用 Python 及 C++ 编译器（g++ 或 clang）。Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考：
3.项目的使用方法 Usage
在首次运行本项目时，需要先训练Conditional GAN 模型（即直接运行CGAN.py文件），程序会每隔一段时间保存生成器的训练结果，同时记录并输出两个模型的误差，在训练结束之后，会把训练好的模型存储成generator_last.pkl文件，并生成指定的目标图像。训练好后，可以修改227行的number为想要的数字序列，然后从222行的以下代码开始执行，结果会保存为result.png。