modify readme format
本项目是一个通过 Jittor 框架实现的简单 CGAN 模型，具体是在数字图片数据集 MNIST 上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，生成指定数字序列对应的图片。内部的模型结构较为简单，主要是通过全连接层进行构造，配合有 Dropout、LeakyReLU 等方法。
GAN 模型通过同时训练生成器 generator 和判别器 discriminator 进行对抗，目的是训练得到一个好的 generator。具体来说，是 generator 使用随机向量 Z 生成图像 G(Z)；discriminator 对生成图像 G(Z)和真实图像 X 同时进行判别分别输出 D(G(Z))和 D(X)，对认为是真实图像的输出 1，认为是生成图像的输出 0，然后计算此次判别的$loss={1\over 2} {(0-D(G(Z)))^2 + (1-D(X))^2}$，进行反向传播训练 discriminator；而对于判别结果 D(G(Z))，generator 没能骗过 discriminator 的即为$loss={(1-D(G(Z)))^2}$。CGAN 模型在 GAN 模型生成中加入了条件 label Y，增加了一个额外的控制输入。
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，TPU。具体关于 Jittor 的介绍参见https://cg.cs.tsinghua.edu.cn/jittor/
该项目可以将输入的数字字符串生成为图片。生成图片由模型生成，因其在 MNSIST 上训练，因此生成的图片会与其中的图片风格接近
具体图片效果如下（以默认输入数字字符串’11024271101857’为例）：
本项目使用前需要首先完成’项目安装’，然后可以选择’直接使用’已经训练好的模型，或者选择自己’训练模型’，请分别参考下文的三个内容
主要需要安装 jittor 库，在 https://cg.cs.tsinghua.edu.cn/jittor/download/ 中选择适合自己系统的 jittor 类型，依照网站所给的指令进行安装，推荐在 linux 系统上运行。
下面给出在 linux 系统上安装 jittor 库的具体步骤，其他操作系统可以在前文的网址中自行查找。
以下是 Linux 系统 CPU 版本通过 conda 安装的指令，也是本人开发时所使用的的环境：
sudo apt install python3.7-dev libomp-dev python3.7 -m pip install jittor python3.7 -m jittor.test.test_example
而关于 Jittor 在 linux 系统的依赖则如下所示：
Python：版本 >= 3.7 C++编译器 （需要下列至少一个） g++ （>=5.4.0 for linux） clang （>=8.0 for mac） GPU 编译器（可选）：nvcc >=10.0 GPU 加速库（可选）：cudnn-dev
如果想使用已经训练好的模型，可以在完成”项目安装”后，从 https://cloud.tsinghua.edu.cn/d/75dda58ad047452bb9a3/ 中下载 generator_last.pkl，将其与 gen.py 置于同一文件夹下，运行：
python gen.py
直接使用时有 2 个可选参数：
--input，参数为为想生成图片的数字，默认11024271101857 --output，参数为生成的图片的地址，默认"output.png"
完整版的运行方法如下，以在地址 temp.png 生成 2021012806 的图片为例：
python gen.py --input 2021012806 --output temp.png
如果想自己训练模型，可以在完成”项目安装”后，运行：
python CGAN.py
训练模型时有如下 11 个可选参数：
训练中每当训练量增加 sample_interval 的时候，会输出一张当前训练效果下的数字的图像（训练量.png），每个数字生成 10 个。
例如以下是训练数据量为 90000 时的输出，90000.png：
此外，每训练 10 轮会将模型中的参数进行一次保存，生成器的参数保存在”generator_last.pkl”，判别器的参数保存在”discriminator_last.pkl”，方便训练中断后加载已训练的数据，避免重复训练。
训练结束后，会自动以’11024271101857’为样例进行生成测试，生成’result.png’图片。
后续如果想使用自己训练的模型，参照’直接使用’部分 gen.py 的使用方法即可。注意如果对 latent_dim、n_class、img_size、channels 这四个参数进行了修改，在执行 gen.py 的时候也要显示地带上修改后的参数的值，如’python gen.py–latent_dim xx’。
A Jittor implementation of Conditional GAN (CGAN)
CGAN_jittor——A Jittor implementation of Conditional GAN (CGAN)
项目简述
本项目是一个通过 Jittor 框架实现的简单 CGAN 模型，具体是在数字图片数据集 MNIST 上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，生成指定数字序列对应的图片。内部的模型结构较为简单，主要是通过全连接层进行构造，配合有 Dropout、LeakyReLU 等方法。
CGAN
GAN 模型通过同时训练生成器 generator 和判别器 discriminator 进行对抗，目的是训练得到一个好的 generator。具体来说，是 generator 使用随机向量 Z 生成图像 G(Z)；discriminator 对生成图像 G(Z)和真实图像 X 同时进行判别分别输出 D(G(Z))和 D(X)，对认为是真实图像的输出 1，认为是生成图像的输出 0，然后计算此次判别的$loss={1\over 2} {(0-D(G(Z)))^2 + (1-D(X))^2}$，进行反向传播训练 discriminator；而对于判别结果 D(G(Z))，generator 没能骗过 discriminator 的即为$loss={(1-D(G(Z)))^2}$。CGAN 模型在 GAN 模型生成中加入了条件 label Y，增加了一个额外的控制输入。
Jittor
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，TPU。具体关于 Jittor 的介绍参见https://cg.cs.tsinghua.edu.cn/jittor/
项目功能
该项目可以将输入的数字字符串生成为图片。生成图片由模型生成，因其在 MNSIST 上训练，因此生成的图片会与其中的图片风格接近
具体图片效果如下（以默认输入数字字符串’11024271101857’为例）：
使用方法
本项目使用前需要首先完成’项目安装’，然后可以选择’直接使用’已经训练好的模型，或者选择自己’训练模型’，请分别参考下文的三个内容
项目安装
主要需要安装 jittor 库，在 https://cg.cs.tsinghua.edu.cn/jittor/download/ 中选择适合自己系统的 jittor 类型，依照网站所给的指令进行安装，推荐在 linux 系统上运行。
下面给出在 linux 系统上安装 jittor 库的具体步骤，其他操作系统可以在前文的网址中自行查找。
以下是 Linux 系统 CPU 版本通过 conda 安装的指令，也是本人开发时所使用的的环境：
而关于 Jittor 在 linux 系统的依赖则如下所示：
直接使用
如果想使用已经训练好的模型，可以在完成”项目安装”后，从 https://cloud.tsinghua.edu.cn/d/75dda58ad047452bb9a3/ 中下载 generator_last.pkl，将其与 gen.py 置于同一文件夹下，运行：
直接使用时有 2 个可选参数：
完整版的运行方法如下，以在地址 temp.png 生成 2021012806 的图片为例：
训练模型
如果想自己训练模型，可以在完成”项目安装”后，运行：
训练模型时有如下 11 个可选参数：
训练中每当训练量增加 sample_interval 的时候，会输出一张当前训练效果下的数字的图像（训练量.png），每个数字生成 10 个。
例如以下是训练数据量为 90000 时的输出，90000.png：
此外，每训练 10 轮会将模型中的参数进行一次保存，生成器的参数保存在”generator_last.pkl”，判别器的参数保存在”discriminator_last.pkl”，方便训练中断后加载已训练的数据，避免重复训练。
训练结束后，会自动以’11024271101857’为样例进行生成测试，生成’result.png’图片。
后续如果想使用自己训练的模型，参照’直接使用’部分 gen.py 的使用方法即可。注意如果对 latent_dim、n_class、img_size、channels 这四个参数进行了修改，在执行 gen.py 的时候也要显示地带上修改后的参数的值，如’python gen.py–latent_dim xx’。