final
一个简单的CGAN，基于MNIST数据集训练，用于手写数字的生成。
Generative Adversarial Nets（GAN）提出了一种新的方法来训练生成模型：输入为一个随机向量z,生成器G输出一幅图像G(z),而判别器D需要将真实图像x与合成图像G(z)区分开来。然而，GAN对于要生成的图片缺少控制。Conditional GAN（CGAN）通过添加显式的条件或标签，来控制生成的图像。在生成器generator和判别器discriminator中添加相同的额外信息y，GAN就可以扩展为一个conditional模型。y可以是任何形式的辅助信息，例如类别标签或者其他形式的数据。我们可以通过将y作为额外输入层，添加到生成器和判别器来完成条件控制
生成数字串：18113118293：
可以通过更改代码中number字符串的值，生成任何自定义的手写字符串
number
A Jittor implementation of Conditional GAN (CGAN). Homework of computer graphics.
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
CGAN
overview
一个简单的CGAN，基于MNIST数据集训练，用于手写数字的生成。
实验原理
Generative Adversarial Nets（GAN）提出了一种新的方法来训练生成模型：输入为一个随机向量z,生成器G输出一幅图像G(z),而判别器D需要将真实图像x与合成图像G(z)区分开来。然而，GAN对于要生成的图片缺少控制。Conditional GAN（CGAN）通过添加显式的条件或标签，来控制生成的图像。在生成器generator和判别器discriminator中添加相同的额外信息y，GAN就可以扩展为一个conditional模型。y可以是任何形式的辅助信息，例如类别标签或者其他形式的数据。我们可以通过将y作为额外输入层，添加到生成器和判别器来完成条件控制
深度学习框架
实验效果
生成数字串：18113118293：
其他
可以通过更改代码中
number字符串的值，生成任何自定义的手写字符串