update
本次实验基于Jittor的深度学习框架，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。
在装有Jittor的Python 3.9环境下，直接运行目录中CGAN.py文件即可。
CGAN.py
Jittor安装（Ubuntu Pip）：
sudo apt install python3.7-dev libomp-dev python3.7 -m pip install jittor python3.7 -m jittor.test.test_example
或者阅读Jittor官方提供的下载方法：https://cg.cs.tsinghua.edu.cn/jittor/download/
.py
python CGAN.py
将依次进行训练和图像生成。
train_res文件夹目录下包含了所有训练过程生成的参考图。 discriminator_last.pkl和generator_last.pkl是训练模型成果。 result.png显示使用训练出的模型生成特定数字图像的最终成果：
train_res
discriminator_last.pkl
generator_last.pkl
result.png
题目地址：https://www.educoder.net/competitions/index/Jittor-5 GitHub：https://github.com/bugp3ssy666
A Jittor implementation of Conditional GAN (CGAN). 实验基于Jittor的深度学习框架，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。
版权所有：中国计算机学会技术支持：开源发展技术委员会 京ICP备13000930号-9 京公网安备 11010802032778号
cgan-jittor
(第三届计图人工智能挑战赛 - Jittor 赛题)
1 简介
本次实验基于Jittor的深度学习框架，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。
2 使用方法
在装有Jittor的Python 3.9环境下，直接运行目录中
CGAN.py文件即可。2.1 安装Jittor
Jittor安装（Ubuntu Pip）：
或者阅读Jittor官方提供的下载方法：https://cg.cs.tsinghua.edu.cn/jittor/download/
2.2 clone或下载本仓库到本地
2.3 在本目录运行
.py文件将依次进行训练和图像生成。
3 运行结果
train_res文件夹目录下包含了所有训练过程生成的参考图。discriminator_last.pkl和generator_last.pkl是训练模型成果。result.png显示使用训练出的模型生成特定数字图像的最终成果：4 参考
题目地址：https://www.educoder.net/competitions/index/Jittor-5 GitHub：https://github.com/bugp3ssy666