ADD file via upload
| 第四届计图挑战热身赛
本届挑战赛设置一个热身赛（手写数字生成赛题）和两个正式赛道（开放域少样本视觉分类和风格迁移图片生成），参赛团队需要通过热身赛才能参加两个正式赛道。
这份代码由000007团队按照比赛的开源要求提交。
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 (如类别标签)，生成特定数字的图像。 本赛题将会提供数字图片数据集MNIST，参赛选手需要训练一个将随机噪声和类别标签映射为数字图片的Conditiona1GAN模型，并生成给定的用户随机ID对应的数字图片结果。 本赛题提供示例代码，提供数据下载、模型定义、训练步骤等功能。
示例代码链接：https://data.educoder.net/api/attachments/5149654
本项目可在1张3090上运行，训练时间约为0.1小时。
执行以下命令安装 python 依赖
pip install numpy
无
使用以下命令运行代码：
python CGAN.py
感谢计图官方提供的示例代码。
第四届计图热身赛代码 793743497@qq.com
数据集
| 第四届计图挑战热身赛
第四届计图挑战热身赛 Jittor手写数字生成比赛
本届挑战赛设置一个热身赛（手写数字生成赛题）和两个正式赛道（开放域少样本视觉分类和风格迁移图片生成），参赛团队需要通过热身赛才能参加两个正式赛道。
这份代码由000007团队按照比赛的开源要求提交。
简介
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 (如类别标签)，生成特定数字的图像。 本赛题将会提供数字图片数据集MNIST，参赛选手需要训练一个将随机噪声和类别标签映射为数字图片的Conditiona1GAN模型，并生成给定的用户随机ID对应的数字图片结果。 本赛题提供示例代码，提供数据下载、模型定义、训练步骤等功能。
示例代码链接：https://data.educoder.net/api/attachments/5149654
安装
本项目可在1张3090上运行，训练时间约为0.1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
无
运行代码
使用以下命令运行代码：
致谢
感谢计图官方提供的示例代码。
注意事项
无