delete test.txt
| 第二届计图热身赛
| 计图挑战热身赛要求:
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Conditional GAN模型，并生成注册时绑定的手机号。
｜最终结果（马赛克处理后）
| 基本的硬件需求、运行环境、依赖安装方法
本项目在个人笔记本电脑（GPU:NVIDIA 960M）上完成，训练时间约为 0.5 小时。
执行以下命令安装 python 依赖
conda create -n xxx(your env name) python=3.8 conda activate xxx conda install pywin32 python -m pip install jittor pip install -r requirements.txt
｜ 介绍模型训练的方法
缺失代码添加：
# TODO: 添加最后一个线性层，最终输出为一个实数 nn.Linear(512,opt.n_classes) # TODO: 将d_in输入到模型中并返回计算结果 output = self.model(d_in) # TODO: 计算真实类别的损失函数 d_real_loss = adversarial_loss(validity_real,valid) # TODO: 计算虚假类别的损失函数 d_fake_loss = adversarial_loss(validity_fake,fake) # 生成你的手机号 number = '17xxxxxxxxx'
训练可运行以下命令：
python CGAN.py
感谢Jittor
[Jittor挑战热身赛]--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。
| 第二届计图热身赛
Jittor 计图挑战热身赛
| 计图挑战热身赛要求:
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Conditional GAN模型，并生成注册时绑定的手机号。
｜最终结果（马赛克处理后）
安装
| 基本的硬件需求、运行环境、依赖安装方法
本项目在个人笔记本电脑（GPU:NVIDIA 960M）上完成，训练时间约为 0.5 小时。
运行环境
安装依赖
执行以下命令安装 python 依赖
训练
｜ 介绍模型训练的方法
缺失代码添加：
训练可运行以下命令：
致谢
感谢Jittor