readme
本项目包含了第五届计图人工智能挑战赛热身赛 - 手写数字生成的代码实现。本项目的特点是：使用 Conditional GAN 在 MNIST 数据集上进行对抗训练，取得了0.9981的准确率。
本项目在 1 张 4090 上运行，训练时间约为 15 分钟。
执行以下命令安装 python 依赖
pip install -r requirements.txt
预训练模型模型下载地址，解压后放置到<root>目录下。
<root>
可运行以下命令开始训练：
python CGAN.py
训练将在当前目录下生成：
CGAN.py的可选参数如下：
--n_epochs N_EPOCHS
--batch_size BATCH_SIZE
--lr LR
--b1 B1
--b2 B2
--n_cpu N_CPU
--latent_dim LATENT_DIM
--n_classes N_CLASSES
--img_size IMG_SIZE
--channels CHANNELS
--sample_interval SAMPLE_INTERVAL
运行以下命令基于预训练模型进行推理：
python infer.py
此项目基于示例代码实现。
有关计图的更多信息，参见
第五届计图人工智能挑战赛热身赛代码开源 jittor
第五届计图人工智能挑战赛热身赛 手写数字生成 Conditional GAN
简介
本项目包含了第五届计图人工智能挑战赛热身赛 - 手写数字生成的代码实现。本项目的特点是：使用 Conditional GAN 在 MNIST 数据集上进行对抗训练，取得了0.9981的准确率。
安装
本项目在 1 张 4090 上运行，训练时间约为 15 分钟。
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
预训练模型模型下载地址，解压后放置到
<root>目录下。训练
可运行以下命令开始训练：
训练将在当前目录下生成：
CGAN.py的可选参数如下：
--n_epochs N_EPOCHS--batch_size BATCH_SIZE--lr LR--b1 B1--b2 B2--n_cpu N_CPU--latent_dim LATENT_DIM--n_classes N_CLASSES--img_size IMG_SIZE--channels CHANNELS--sample_interval SAMPLE_INTERVAL推理
运行以下命令基于预训练模型进行推理：
致谢
此项目基于示例代码实现。
有关计图的更多信息，参见