master
本项目是在数字图片数据集 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。
Conditional GAN（Conditional generative adversarial nets）
本项目中的随机ID为：11874931186746 生成的图像为：
执行以下命令安装 jittor
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jittor
如果已有MNIST数据集，或者觉得下载太慢，可以尝试先从其他地方下载，然后将下载的文件复制到C:\Users\Administrator\.cache\jittor\dataset\mnist_data路径当中。
C:\Users\Administrator\.cache\jittor\dataset\mnist_data
文件夹结构为：
├─mnist_data│ ├─t10k-images-idx3-ubyte│ ├─t10k-images-idx3-ubyte.gz│ └─t10k-labels-idx1-ubyte│ └─t10k-labels-idx1-ubyte.gz│ └─train-images-idx3-ubyte│ └─train-images-idx3-ubyte.gz│ └─train-labels-idx1-ubyte│ └─train-labels-idx1-ubyte.gz
最后将download设置为False即可。
download
False
dataloader = MNIST(train=True, transform=transform,download=False).set_attrs(batch_size=opt.batch_size, shuffle=True)
运行训练脚本
python CGAN.py
注释掉CGAN.py中模型训练部分的内容，加载已经训练好的权重，指定待生成的数字序列：
CGAN.py
number = "11874931186746" # 自定义数字序列
然后重新运行CGAN.py即可生成指定数字序列对应的图像。
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。
Jittor 是一个基于即时编译和元算子的高性能深度学习框架，整个框架在即时编译的同时，还集成了强大的Op编译器和调优器，为您的模型生成定制化的高性能代码。Jittor还包含了丰富的高性能模型库，涵盖范围包括：图像识别、检测、分割、生成、可微渲染、几何学习、强化学习等。
数据集
第四届计图人工智能挑战赛-热身赛
简介
本项目是在数字图片数据集 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。
本项目中的随机ID为：11874931186746 生成的图像为：
安装
运行环境
安装依赖
执行以下命令安装 jittor
MNIST数据集
如果已有MNIST数据集，或者觉得下载太慢，可以尝试先从其他地方下载，然后将下载的文件复制到
C:\Users\Administrator\.cache\jittor\dataset\mnist_data路径当中。文件夹结构为：
├─mnist_data
│ ├─t10k-images-idx3-ubyte
│ ├─t10k-images-idx3-ubyte.gz
│ └─t10k-labels-idx1-ubyte
│ └─t10k-labels-idx1-ubyte.gz
│ └─train-images-idx3-ubyte
│ └─train-images-idx3-ubyte.gz
│ └─train-labels-idx1-ubyte
│ └─train-labels-idx1-ubyte.gz
最后将
download设置为False即可。训练
运行训练脚本
测试
注释掉
CGAN.py中模型训练部分的内容，加载已经训练好的权重，指定待生成的数字序列：然后重新运行
CGAN.py即可生成指定数字序列对应的图像。致谢
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。