Update README.md
| 第二届计图挑战赛开源模板
![主要结果]https://img-blog.csdnimg.cn/9730d1b761ce4804b9ee20961b97c038.png
本项目包含了热身赛的代码实现。本项目的特点本赛道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 ，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 2 张 2080 上运行，训练时间约为 6 小时。
执行以下命令安装 python 依赖
pip install -r requirements.txt
预训练模型模型下载地址为 https:abc.def.gh，下载后放入目录 <root>/weights/ 下。
<root>/weights/
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
bash scripts/train.sh
多卡训练可以运行以下命令：
bash scripts/train-multigpu.sh
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
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。
jittor
CGAN
| 第二届计图挑战赛开源模板
Jittor 热身赛 b在数字图片数据集 MNIST 上训练 Conditional GAN（Conditional generative adversarial nets）模型
![主要结果]https://img-blog.csdnimg.cn/9730d1b761ce4804b9ee20961b97c038.png
简介
本项目包含了热身赛的代码实现。本项目的特点本赛道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 ，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 2 张 2080 上运行，训练时间约为 6 小时。
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
预训练模型模型下载地址为 https:abc.def.gh，下载后放入目录
<root>/weights/下。训练
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
多卡训练可以运行以下命令：
推理
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
致谢
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。