Update README.md
利用课程提供的jittor代码框架实现Conditional GAN模型，训练后用生成器根据输入的特定序列number生成图片。
GAN即Generative Adversarial Nets，通过输入的随机向量z用生成器G生成图像G(z)，判别器D则用于将真实图像与合成图像区分开。 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。 CGAN的损失函数为： 判别器：LD=12((D(G(z,y2),y2)2)+(1−D(x,y1)2))L_D = \frac12((D(G(z,y_2),y_2)^2)+(1-D(x,y_1)^2))LD=21((D(G(z,y2),y2)2)+(1−D(x,y1)2)) 生成器：LG=(1−D(G(z,y2),y2))2L_G = (1-D(G(z,y_2),y_2))^2LG=(1−D(G(z,y2),y2))2
在根目录下执行python cgan.py
python cgan.py
计算机图形学PA3，Conditional GAN.
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
使用Jittor实现CGAN，合成手写体的个人手机号码
项目简介
利用课程提供的jittor代码框架实现Conditional GAN模型，训练后用生成器根据输入的特定序列number生成图片。
Conditional GAN原理:
GAN即Generative Adversarial Nets，通过输入的随机向量z用生成器G生成图像G(z)，判别器D则用于将真实图像与合成图像区分开。 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。 CGAN的损失函数为： 判别器：LD=21((D(G(z,y2),y2)2)+(1−D(x,y1)2)) 生成器：LG=(1−D(G(z,y2),y2))2
执行命令
在根目录下执行
python cgan.py