Update README.md
赛题介绍 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。
赛题内容 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，并生成下方给定用户随机ID对应的数字图片结果。
示例代码 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。
选手可以基于示例代码填充注释为 TODO 的部分完成该赛题。
评测方式 本赛题通过 MNIST 分类器进行生成图像的验证，程序能够正常生成结果，且生成的结果图被判定为随机ID即为通过，否则不通过。 评测程序会返回每个数字的平均正确率，大于0.7即可通过。
提交示例 比如用户的随机ID是 18012345678，那么一种可能的提交结果图像为： 提交图像
提交结果格式说明 将模型代码与生成结果打包为 zip 提交，目录结构和文件名按照以下方式组织：
– result.zip – CGAN.py // 模型 + 训练代码 – result.png // 生成的结果图
第四届计图人工智能挑战赛
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
数据集
jittor_第四届计图人工智能挑战赛热身赛
赛题介绍 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。
赛题内容 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，并生成下方给定用户随机ID对应的数字图片结果。
示例代码 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。
选手可以基于示例代码填充注释为 TODO 的部分完成该赛题。
评测方式 本赛题通过 MNIST 分类器进行生成图像的验证，程序能够正常生成结果，且生成的结果图被判定为随机ID即为通过，否则不通过。 评测程序会返回每个数字的平均正确率，大于0.7即可通过。
提交示例 比如用户的随机ID是 18012345678，那么一种可能的提交结果图像为： 提交图像
提交结果格式说明 将模型代码与生成结果打包为 zip 提交，目录结构和文件名按照以下方式组织：
– result.zip – CGAN.py // 模型 + 训练代码 – result.png // 生成的结果图
运行环境