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。
本项目可在 1 张 RTX 3070Ti Laptop 上运行，训练时间约为15分钟。
pip install jittor
修改CGAN.py里的number变量值，运行CGAN.py即可生成指定手写数字
可运行以下命令进行训练
python CGAN.py
可以使用命令行参数指定超参数，如：训练轮数、分批大小、学习率、Adam优化器设置等。
如果有CUDA环境，会自动尝试使用GPU训练模型；否则在CPU上训练。
基于计图官方示例代码填充注释为TODO的部分完成
A Jittor implementation of Conditional GAN (CGAN)
CGAN_jittor
简介
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。
运行
本项目可在 1 张 RTX 3070Ti Laptop 上运行，训练时间约为15分钟。
运行环境
安装依赖
pip install jittor
训练
修改CGAN.py里的number变量值，运行CGAN.py即可生成指定手写数字
可运行以下命令进行训练
如果有CUDA环境，会自动尝试使用GPU训练模型；否则在CPU上训练。
致谢
基于计图官方示例代码填充注释为TODO的部分完成