ADD file via upload
本项目包含了第五届计图挑战赛热身赛的代码实现。本项目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。本项目的特点是：采用了 基于Jittor框架的Conditional GAN 方法 对 MNIST 手写数字生成任务 处理，取得了 高效训练并可控生成特定数字 的效果。
本项目无显卡要求，训练时间约为 0.5 小时。
首先，从官网https://cg.cs.tsinghua.edu.cn/jittor/download/，选择”Ubuntu - Pip - CPU“，安装Jittor 然后，执行以下命令创造虚拟环境（假定本地已安装miniconda），其中<env_name> 可以替换为自己的虚拟环境名称
https://cg.cs.tsinghua.edu.cn/jittor/download/
<env_name>
conda create -n <env_name> python=3.10
最后，执行以下命令安装 python 依赖
pip install -r requirements.txt
本项目使用Jittor自带的MNIST数据集。首先，将数据集图像变换为统一大小、像素值[-1, 1]的标准化图像；随后，加载数据集并打乱。
[-1, 1]
训练模型可以运行以下命令：
python3 CGAN.py
模型会在每一轮训练前将当前训练在0~9上的结果输出，训练后将生成器、判别器权重分别存储在generator_last.pkl和discriminator_last.pkl中。训练完毕后，会输出对测试集的结果到result.png中。最终的训练权重和测试已上传到仓库中。
generator_last.pkl
discriminator_last.pkl
result.png
此项目基于比赛官方提供的示例代码框架，其中包括了数据下载、模型定义、训练步骤等功能。
A Jittor implementation of Conditional GAN (CGAN).
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
Jittor 热身赛 baseline
简介
本项目包含了第五届计图挑战赛热身赛的代码实现。本项目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。本项目的特点是：采用了 基于Jittor框架的Conditional GAN 方法 对 MNIST 手写数字生成任务 处理，取得了 高效训练并可控生成特定数字 的效果。
安装
本项目无显卡要求，训练时间约为 0.5 小时。
运行环境
安装依赖
首先，从官网
https://cg.cs.tsinghua.edu.cn/jittor/download/，选择”Ubuntu - Pip - CPU“，安装Jittor 然后，执行以下命令创造虚拟环境（假定本地已安装miniconda），其中<env_name>可以替换为自己的虚拟环境名称最后，执行以下命令安装 python 依赖
数据预处理
本项目使用Jittor自带的MNIST数据集。首先，将数据集图像变换为统一大小、像素值
[-1, 1]的标准化图像；随后，加载数据集并打乱。训练
训练模型可以运行以下命令：
推理
模型会在每一轮训练前将当前训练在0~9上的结果输出，训练后将生成器、判别器权重分别存储在
generator_last.pkl和discriminator_last.pkl中。训练完毕后，会输出对测试集的结果到result.png中。最终的训练权重和测试已上传到仓库中。致谢
此项目基于比赛官方提供的示例代码框架，其中包括了数据下载、模型定义、训练步骤等功能。