Update README.md
A Jittor implementation of Conditional GAN (CGAN) for the 3rd Jittor AI Challenge.
本项目基于清华大学开源的深度学习框架 Jittor，实现了一个条件生成对抗网络 (Conditional GAN)。该模型在经典的 MNIST 数据集上进行训练，能够根据用户提供的特定数字标签（如 “2312123”），生成对应的高质量手-写数字图像。
这个项目是计图人工智能挑战赛热身赛的官方赛题实现。
1.3.7.15
克隆或下载本项目：
git clone https://gitlink.org.cn/lyyoo/CGAN_jittor.git cd CGAN_jittor
安装依赖 (推荐在 Conda 环境中)：
pip install jittor==1.3.7.15 numpy Pillow matplotlib
开始训练和生成：
python CGAN.py
训练过程大约需要 30 分钟。训练完成后，最终生成的、符合赛题要求的图片 result.png 和损失曲线图 loss_curve.png 会保存在项目根目录下。
result.png
loss_curve.png
根据数字序列 “2312123” 生成的图片如下：
训练过程中的生成器 (Generator) 与判别器 (Discriminator) 的损失变化曲线如下：
A Jittor implementation of Conditional GAN (CGAN).
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
CGAN_jittor
A Jittor implementation of Conditional GAN (CGAN) for the 3rd Jittor AI Challenge.
简介 (Introduction)
本项目基于清华大学开源的深度学习框架 Jittor，实现了一个条件生成对抗网络 (Conditional GAN)。该模型在经典的 MNIST 数据集上进行训练，能够根据用户提供的特定数字标签（如 “2312123”），生成对应的高质量手-写数字图像。
这个项目是计图人工智能挑战赛热身赛的官方赛题实现。
环境依赖 (Requirements)
1.3.7.15)如何运行 (Usage)
克隆或下载本项目：
安装依赖 (推荐在 Conda 环境中)：
开始训练和生成：
训练过程大约需要 30 分钟。训练完成后，最终生成的、符合赛题要求的图片
result.png和损失曲线图loss_curve.png会保存在项目根目录下。结果展示 (Result)
最终生成图片 (Final Generated Image)
根据数字序列 “2312123” 生成的图片如下：
损失函数曲线 (Loss Curve)
训练过程中的生成器 (Generator) 与判别器 (Discriminator) 的损失变化曲线如下：