Update README.md
生成结果（给定随机ID为13485041347432） 热身赛评分为0.9996
本项目包含了第五届计图人工智能挑战赛——热身赛的代码实现。本项目将在数字图片数据集 ·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。
本项目可在RTX 3090显卡下运行，训练时长约1个小时。
执行以下命令安装 jittor框架
sudo apt install python3.7-dev libomp-dev python3.7 -m pip install jittor
可运行一下命令进行训练
python CGAN.py
运行上述指令即可开始训练，训练使用 Jittor 框架内置的 MNIST 数据集格式，训练过程中每一个 epoch 的模型系数将保存在 models/ 文件夹下，图片样本保存在主目录下。
推理包含在训练部分代码中，训练完成后进行推理，生成result.png，内容为参赛选手id的手写字体。
项目代码的Baseline由第五届计图人工智能挑战赛平台提供（https://www.educoder.net/competitions/Jittor-6 ）
Jittor 计图挑战热身赛
生成结果（给定随机ID为13485041347432）
热身赛评分为0.9996
简介
本项目包含了第五届计图人工智能挑战赛——热身赛的代码实现。本项目将在数字图片数据集 ·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。
安装
本项目可在RTX 3090显卡下运行，训练时长约1个小时。
运行环境
安装jittor框架
执行以下命令安装 jittor框架
训练
可运行一下命令进行训练
运行上述指令即可开始训练，训练使用 Jittor 框架内置的 MNIST 数据集格式，训练过程中每一个 epoch 的模型系数将保存在 models/ 文件夹下，图片样本保存在主目录下。
推理与测试
推理包含在训练部分代码中，训练完成后进行推理，生成result.png，内容为参赛选手id的手写字体。
致谢
项目代码的Baseline由第五届计图人工智能挑战赛平台提供（https://www.educoder.net/competitions/Jittor-6 ）