Alter the number of the example
一个用 Jittor 框架实现的针对手写数字生成的 Conditional GAN 模型，同时也是计图 (Jittor) 人工智能算法挑战赛的热身赛题。
Jittor
本项目调用 Jittor 框架，训练一个 Conditional GAN 手写数字生成模型，可以生成任意数字序列的手写数字图像，
Jittor（计图）是清华大学发布的基于动态编译、使用创新的元算子与统一计算图的自研深度学习框架。Jittor 易于使用，且提供高性能的优化，达到比 PyTorch 和 TensorFlow 更加强劲的训练性能。
PyTorch
TensorFlow
Conditional GAN 是广为人知的生成对抗网络（Generative Adversarial Network, GAN）的一个变种。它通过在生成器（Generator）和判别器（Discriminator）中添加额外信息，以为生成的图像提供必要的条件控制。在手写数字生成任务中，这种额外信息可以选用数字 0~9 的类别标签。
本项目无需安装。克隆本项目后，在 CGAN.py 所在路径下运行 python CGAN.py，即可开始训练手写数字生成模型，最终的生成结果为“0123456789”的手写数字图像，将保存在同级目录下的 result.png 中。可以修改 CGAN.py 第 204 行的 number 字符串，以生成定制的手写数字。
CGAN.py
python CGAN.py
result.png
number
计图 (Jittor) 官网 计图 (Jittor) 人工智能算法挑战赛
A Jittor implementation of Conditional GAN (CGAN).
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
cgan_jittor
一个用
Jittor框架实现的针对手写数字生成的 Conditional GAN 模型，同时也是计图 (Jittor) 人工智能算法挑战赛的热身赛题。简述
本项目的应用
本项目调用
Jittor框架，训练一个 Conditional GAN 手写数字生成模型，可以生成任意数字序列的手写数字图像，为何使用
Jittor？Jittor（计图）是清华大学发布的基于动态编译、使用创新的元算子与统一计算图的自研深度学习框架。Jittor易于使用，且提供高性能的优化，达到比PyTorch和TensorFlow更加强劲的训练性能。关于 Conditional GAN
Conditional GAN 是广为人知的生成对抗网络（Generative Adversarial Network, GAN）的一个变种。它通过在生成器（Generator）和判别器（Discriminator）中添加额外信息，以为生成的图像提供必要的条件控制。在手写数字生成任务中，这种额外信息可以选用数字 0~9 的类别标签。
安装与使用
本项目无需安装。克隆本项目后，在
CGAN.py所在路径下运行python CGAN.py，即可开始训练手写数字生成模型，最终的生成结果为“0123456789”的手写数字图像，将保存在同级目录下的result.png中。可以修改CGAN.py第 204 行的number字符串，以生成定制的手写数字。友情链接
计图 (Jittor) 官网 计图 (Jittor) 人工智能算法挑战赛