Update README.md
简介 本项目使用了 Jittor 机器学习框架，在数字图片数据集 MNIST 上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，生成指定数字序列对应的图片。
如何使用 请确保你使用的 python 环境中已有 jittor 包，否则请到此处下载。
环境准备好后，只需要拷贝本项目到本地，然后利用下面的代码运行即可：
python3 CGAN.py 若想生成其他数字，只需要更改代码第 200 行的 number 即可。
注意事项 因为图像的尺度较小，故化码直接使用了全连接层而不是通常的卷积层。
默认状态下代码会自动下载 MNIST 数据集，且 epoch 次数达 100 次。倘若阁下的计算性能不足，建议适当减少这一数值，或直接使用本项目已经训练好的模型。如果 epoch 次数达 100 次后图案不明显，请检查jittor安装是否有错误
A Jittor implementation of Conditional GAN (CGAN)，Jittor 热身赛， 也是《计算机图形学》作业QQ
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
CGAN_jittor_Ken
简介 本项目使用了 Jittor 机器学习框架，在数字图片数据集 MNIST 上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，生成指定数字序列对应的图片。
如何使用 请确保你使用的 python 环境中已有 jittor 包，否则请到此处下载。
环境准备好后，只需要拷贝本项目到本地，然后利用下面的代码运行即可：
python3 CGAN.py 若想生成其他数字，只需要更改代码第 200 行的 number 即可。
注意事项 因为图像的尺度较小，故化码直接使用了全连接层而不是通常的卷积层。
默认状态下代码会自动下载 MNIST 数据集，且 epoch 次数达 100 次。倘若阁下的计算性能不足，建议适当减少这一数值，或直接使用本项目已经训练好的模型。如果 epoch 次数达 100 次后图案不明显，请检查jittor安装是否有错误