Update README.md
本项目包含了第三届计图挑战赛计图 - 热身赛比赛的代码实现。
本项目的特点是：采用了 Conditional GAN（Conditional generative adversarial nets）方法对手写数字图像处理，取得了良好的生成和判别的效果。
本项目可在 1 张Tesla V100 上运行，训练时间约为 3小时。
执行以下命令安装 python 依赖
pip install jittor
所有模型参数缓存下载后，放入项目根目录下。
单卡训练可运行以下命令：
python CGAN.py
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。
本项目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。
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
Jittor 第三届人工智能挑战热身赛项目
简介
本项目包含了第三届计图挑战赛计图 - 热身赛比赛的代码实现。
本项目的特点是：采用了 Conditional GAN（Conditional generative adversarial nets）方法对手写数字图像处理，取得了良好的生成和判别的效果。
安装
本项目可在 1 张Tesla V100 上运行，训练时间约为 3小时。
运行环境
安装依赖
执行以下命令安装 python 依赖
预训练模型
所有模型参数缓存下载后，放入项目根目录下。
训练
单卡训练可运行以下命令：
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。