ADD file via upload
本项目使用 Jittor 深度学习框架，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。
Jittor 框架目前支持 Linux 或 Windows(包括 WSL)，mac 系统请安装虚拟机解决。需要使用 Python 及 C++ 编译器（g++ 或 clang）。Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/。
将CGAN.py文件第198行的number修改为需要生成的数字（字符串形式），随后直接运行python CGAN.py即可。 可以通过命令行参数，根据实际需要对模型超参数进行调整。
python CGAN.py
本项目是第三届计图人工智能挑战赛热身赛的赛题解答，比赛链接为https://www.educoder.net/competitions/Jittor-4。 欢迎读者下载使用本项目，并提出宝贵意见。
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
基于Jittor框架的conditional GAN模型实现
项目概述
本项目使用 Jittor 深度学习框架，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。
环境配置
Jittor 框架目前支持 Linux 或 Windows(包括 WSL)，mac 系统请安装虚拟机解决。需要使用 Python 及 C++ 编译器（g++ 或 clang）。Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/。
项目运行
将CGAN.py文件第198行的number修改为需要生成的数字（字符串形式），随后直接运行
python CGAN.py即可。 可以通过命令行参数，根据实际需要对模型超参数进行调整。说明
本项目是第三届计图人工智能挑战赛热身赛的赛题解答，比赛链接为https://www.educoder.net/competitions/Jittor-4。 欢迎读者下载使用本项目，并提出宝贵意见。