Update README.md
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。
本项目包含了第三届计图挑战赛热身赛 - 手写数字生成比赛的代码实现。本项目的特点是：要训练一个将随机噪声和类别标签映射为数字图片的Conditiona1GAN模型，并生成比赛官方给定用户随机ID对应的数字图片结果。
本项目可在 1 张 4000 上运行。
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预训练模型，提取码：1234，下载后放入目录 ./weights/ 下。
./weights/
无
单卡训练可运行以下命令：
python CGAN.py
把./CGAN.py文件里面的“模型训练”部分注释掉，再运行以下命令：
此项目基于论文CGAN: Conditional Generative Adversarial Nets 实现，部分代码参考了 jittor-gan。
计图热身赛MNIST手写数字生成项目是计图公司在比赛中提供的一个具有挑战性的任务，旨在测试参赛者在图像生成领域的技能和能力。MNIST是一个常用的手写数字数据集，它包含了大量的手写数字图像和相应的标签。在这个项目中，我们需要构建一个基于深度学习的模型，利用MNIST数据集中的数字图像生成新的手写数字图像。
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
Jittor 第三届计图挑战赛热身赛 CGAN
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。
简介
本项目包含了第三届计图挑战赛热身赛 - 手写数字生成比赛的代码实现。本项目的特点是：要训练一个将随机噪声和类别标签映射为数字图片的Conditiona1GAN模型，并生成比赛官方给定用户随机ID对应的数字图片结果。
安装
本项目可在 1 张 4000 上运行。
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预训练模型，提取码：1234，下载后放入目录
./weights/下。数据预处理
无
训练
单卡训练可运行以下命令：
推理
把./CGAN.py文件里面的“模型训练”部分注释掉，再运行以下命令：
致谢
此项目基于论文CGAN: Conditional Generative Adversarial Nets 实现，部分代码参考了 jittor-gan。