ADD file via upload
MNIST分类器进行生成图像
展示方法的流程特点或者主要结果等 gernerator + discriminator
简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 训练一个将随机噪声和类别标签映射为数字图片的Conditional GAN模型，并生成注册时绑定的手机号
介绍基本的硬件需求、运行环境、依赖安装方法
执行以下命令安装 python 依赖
pip install -r requirements.txt
预训练模型模型下载地址为 https://www.gitlink.org.cn/gitlinknew/minist_generate_pic/tree/master/
生成数据标签，valid=1表示真实的图片，fake=0表示生成的图片 生成真实图片及其类别 生成训练生成器 生成采样随机噪声和数字类别作为生成器输入 生成一组图片 生成损失函数衡量生成器欺骗判别器的能力，即希望判别器将生成图片分类为valid 生成训练判别器 生成总的判别器损失
单卡训练可运行以下命令：
bash scripts/train.sh
多卡训练可以运行以下命令：
bash scripts/train-multigpu.sh
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
bash scripts/test.sh
| https://github.com/Jittor/gan-jittor
jittor—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
minist_generate_pic
Jittor baseline
MNIST分类器进行生成图像
展示方法的流程特点或者主要结果等 gernerator + discriminator
简介
简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 训练一个将随机噪声和类别标签映射为数字图片的Conditional GAN模型，并生成注册时绑定的手机号
安装
介绍基本的硬件需求、运行环境、依赖安装方法
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
预训练模型模型下载地址为 https://www.gitlink.org.cn/gitlinknew/minist_generate_pic/tree/master/
训练
生成数据标签，valid=1表示真实的图片，fake=0表示生成的图片 生成真实图片及其类别 生成训练生成器 生成采样随机噪声和数字类别作为生成器输入 生成一组图片 生成损失函数衡量生成器欺骗判别器的能力，即希望判别器将生成图片分类为valid 生成训练判别器 生成总的判别器损失
单卡训练可运行以下命令：
多卡训练可以运行以下命令：
推理
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
致谢
| https://github.com/Jittor/gan-jittor