mask
计图（Jittor）是一个完全基于动态编译（Just-in-time）,内部使用创新的元算子和统一计算图的深度学习框架， 元算子和Numpy一样易于使用，并且超越Numpy能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。基于元算子开发的深度学习模型，可以被计图实时的自动优化并且运行在指定的硬件上，如CPU，GPU。
本项目是基于 Jittor 框架实现的 conditional-GAN, 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。
请先在您的设备上安装 gittor 环境，参考此处链接。而后 clone 代码到设备，通过 python3 cggan.py 即可运行。 最后的 result.png 是您所学习的模型对您在 202 行输入的字符串格式的电话号码的生成结果。
python3 cggan.py
项目默认会进行 100 个 epoch 的训练，会生成近百张 .png 图片，在 3080 上训练几分钟即可得到结果。 更多内容，请参考此链接。
基于 jittor 框架的 Conditional GAN 实现
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
jittor
计图（Jittor）是一个完全基于动态编译（Just-in-time）,内部使用创新的元算子和统一计算图的深度学习框架， 元算子和Numpy一样易于使用，并且超越Numpy能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。基于元算子开发的深度学习模型，可以被计图实时的自动优化并且运行在指定的硬件上，如CPU，GPU。
conditional-GAN
本项目是基于 Jittor 框架实现的 conditional-GAN, 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。
复现方法
请先在您的设备上安装 gittor 环境，参考此处链接。而后 clone 代码到设备，通过
python3 cggan.py即可运行。 最后的 result.png 是您所学习的模型对您在 202 行输入的字符串格式的电话号码的生成结果。注意
项目默认会进行 100 个 epoch 的训练，会生成近百张 .png 图片，在 3080 上训练几分钟即可得到结果。 更多内容，请参考此链接。