Update README.md
[主要结果]
本项目基于Jittor框架构建条件生成对抗网络（cGAN）模型，并使用数字图片数据集 MNIST对该模型进行训练，使得该模型能够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：采用了类别标签映射与条件生成对抗的方法对图像类别进行了控制，并取得了可控且质量较高的手写数字图像生成效果。
CPU和GPU安装版本均可使用。本项目使用一张RTX 3050Ti显卡。
使用Anaconda创建虚拟环境，本项目使用 python = 3.9.7、jittor = 1.3.1.18、 numpy==1.26.4
使用pip安装python相关依赖（pip install -r requirements.txt） 以下是Jittor框架的安装步骤： 1、进入Jittor官网，选中Windows->pip->Cuda 2、使用Anaconda创建虚拟环境，python=3.9，激活虚拟环境 3、运行以下指令安装Jittor框架： python –version python -m pip install jittor python -m jittor.test.test_core python -m jittor.test.test_example python -m jittor.test.test_cudnn_op
本项目使用Jittor自带的MNIST数据集接口，可直接自动调用无需手动下载，首次运行该接口时会自动下载该数据集并进行预处理操作。预处理过后的图像会被灰度化并归一化到[-1，1]区间。
训练指令：python CGAN.py 在模型训练过程中，每隔一段时间会自动保存一次模型生成的图像，同时保存最新模型的参数至生成器（generator_last.pkl）和判别器（discriminator_last.pkl）的权重中，在该模型训练结束后，会自动加载最后一次保存的生成器和判别器的权重，并根据所输入的用户随机ID序列生成对应的手写数字图像。 本项目生成器权重下载generator_last.pkl 提取码: tf6d 判别器下载discriminator_last.pkl 提取码: r74d
本项目是在比赛官方所提供的CGAN网络架构基础上修改完成的。 本项目CGAN网络搭建基于论文Conditional Generative Adversarial Nets实现，部分代码参考了 jittor-gan 本项目均基于Jittor框架，其中MNIST数据集接口使用了Jittor框架中的 jittor.dataset.mnist 模块。
本项目基于Jittor框架构建条件生成对抗网络（cGAN）模型，并使用数字图片数据集 MNIST对该模型进行训练使其能够生成指定随机数字的手写数字图像
Jittor挑战赛热身赛-生成手写数字baseline（CGAN）
[主要结果]
简介
本项目基于Jittor框架构建条件生成对抗网络（cGAN）模型，并使用数字图片数据集 MNIST对该模型进行训练，使得该模型能够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：采用了类别标签映射与条件生成对抗的方法对图像类别进行了控制，并取得了可控且质量较高的手写数字图像生成效果。
安装
硬件需求
CPU和GPU安装版本均可使用。本项目使用一张RTX 3050Ti显卡。
运行环境
使用Anaconda创建虚拟环境，本项目使用 python = 3.9.7、jittor = 1.3.1.18、 numpy==1.26.4
安装依赖
使用pip安装python相关依赖（pip install -r requirements.txt） 以下是Jittor框架的安装步骤： 1、进入Jittor官网，选中Windows->pip->Cuda 2、使用Anaconda创建虚拟环境，python=3.9，激活虚拟环境 3、运行以下指令安装Jittor框架： python –version python -m pip install jittor python -m jittor.test.test_core python -m jittor.test.test_example python -m jittor.test.test_cudnn_op
数据预处理
本项目使用Jittor自带的MNIST数据集接口，可直接自动调用无需手动下载，首次运行该接口时会自动下载该数据集并进行预处理操作。预处理过后的图像会被灰度化并归一化到[-1，1]区间。
模型训练和推理
训练指令：python CGAN.py 在模型训练过程中，每隔一段时间会自动保存一次模型生成的图像，同时保存最新模型的参数至生成器（generator_last.pkl）和判别器（discriminator_last.pkl）的权重中，在该模型训练结束后，会自动加载最后一次保存的生成器和判别器的权重，并根据所输入的用户随机ID序列生成对应的手写数字图像。 本项目生成器权重下载generator_last.pkl 提取码: tf6d 判别器下载discriminator_last.pkl 提取码: r74d
致谢
本项目是在比赛官方所提供的CGAN网络架构基础上修改完成的。 本项目CGAN网络搭建基于论文Conditional Generative Adversarial Nets实现，部分代码参考了 jittor-gan 本项目均基于Jittor框架，其中MNIST数据集接口使用了Jittor框架中的 jittor.dataset.mnist 模块。