Update README.md
本项目实现了一个条件生成对抗网络（Conditional Generative Adversarial Network, CGAN），用于生成MNIST手写数字图像。该项目使用Jittor深度学习框架实现，可以根据指定的数字标签生成对应的手写数字图像。
. ├── CGAN.py # 主程序文件 ├── result.png # 生成结果示例 ├── generator_last.pkl # 生成器模型权重 └── discriminator_last.pkl # 判别器模型权重
训练模型： python CGAN.py
模型参数：
示例： python CGAN.py –n_epochs 200 –batch_size 128
训练完成后，模型可以根据指定的数字序列生成对应的手写数字图像。生成的结果将保存为result.png。
本项目是2025年春第五届计图人工智能挑战赛热身赛。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。
项目简介
本项目实现了一个条件生成对抗网络（Conditional Generative Adversarial Network, CGAN），用于生成MNIST手写数字图像。该项目使用Jittor深度学习框架实现，可以根据指定的数字标签生成对应的手写数字图像。
环境要求
项目结构
. ├── CGAN.py # 主程序文件 ├── result.png # 生成结果示例 ├── generator_last.pkl # 生成器模型权重 └── discriminator_last.pkl # 判别器模型权重
模型架构
生成器 (Generator)
判别器 (Discriminator)
使用方法
训练模型： python CGAN.py
模型参数：
示例： python CGAN.py –n_epochs 200 –batch_size 128
训练过程
生成结果
训练完成后，模型可以根据指定的数字序列生成对应的手写数字图像。生成的结果将保存为result.png。
注意事项
参考