readme
| 简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 手写数字生成的代码实现。本项目的特点是：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。
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在windows 上运行，可用CPU或GPU训练，训练时间与训练环境及参数有关，100epoch、8batchsize在RTX3070上训练约2小时。
｜ 介绍模型训练的方法
直接运行CGAN.py文件即可：python3 CGAN.py
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。
A jittor implementation of Conditional GAN(CGAN).
CGAN_jittor && Jittor 挑战热身赛
简介
| 简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 手写数字生成的代码实现。本项目的特点是：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
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在windows 上运行，可用CPU或GPU训练，训练时间与训练环境及参数有关，100epoch、8batchsize在RTX3070上训练约2小时。
运行环境
训练
｜ 介绍模型训练的方法
直接运行CGAN.py文件即可：python3 CGAN.py
windows予以致谢，可选
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。