ADD file via upload
某次训练结果 对应编号的答案
本项目包含了第二届计图挑战赛计图 - 热身挑战赛的代码实现。本项目的特点是：采用了CGAN的模型结构，通过训练模型，实现生成手写数字图像的效果。
Generative Adversarial Nets（GAN）提出了一种新的方法来训练生成模型：输入为一个随机向量 z, 生成器 G 输出一幅图像 G(z), 而判别器 D 需要将真实图像 x 与合成图像 G(z)区分开来。然而，GAN 对于要生成的图片缺少控制。Conditional GAN（CGAN）通过添加显式的条件或标签，来控制生成的图像。在生成器 generator 和判别器 discriminator 中添加相同的额外信息 y，GAN 就可以扩展为一个 conditional 模型。y 可以是任何形式的辅助信息，例如类别标签或者其他形式的数据。我们可以通过将 y 作为额外输入层，添加到生成器和判别器来完成条件控制。
｜ 介绍模型训练的方法
可运行以下命令：python CGAN.py
Jittor计图挑战热身赛
某次训练结果
对应编号的答案
简介
本项目包含了第二届计图挑战赛计图 - 热身挑战赛的代码实现。本项目的特点是：采用了CGAN的模型结构，通过训练模型，实现生成手写数字图像的效果。
Generative Adversarial Nets（GAN）提出了一种新的方法来训练生成模型：输入为一个随机向量 z, 生成器 G 输出一幅图像 G(z), 而判别器 D 需要将真实图像 x 与合成图像 G(z)区分开来。然而，GAN 对于要生成的图片缺少控制。Conditional GAN（CGAN）通过添加显式的条件或标签，来控制生成的图像。在生成器 generator 和判别器 discriminator 中添加相同的额外信息 y，GAN 就可以扩展为一个 conditional 模型。y 可以是任何形式的辅助信息，例如类别标签或者其他形式的数据。我们可以通过将 y 作为额外输入层，添加到生成器和判别器来完成条件控制。
运行环境
训练
｜ 介绍模型训练的方法
可运行以下命令：python CGAN.py