add: added README.md
本项目是 第三届计图人工智能挑战赛 热身赛部分的赛题的一份解答。
本项目使用 Jittor 深度学习框架，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。
本项目使用 Jittor 框架，Jittor 框架目前支持 Linux 或 Windows(包括 WSL)。需要使用 Python 及 C++ 编译器（g++ 或 clang）。
Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/ 。
运行以下命令，即可进行模型训练，并生成手写数字图片。
python CGAN.py
训练结果 Demo 如下，生成 13666671365542 的手写数字图片。
在训练过程中的中间文件与训练结果参见 清华云盘链接。
A Jittor implementation of Conditional GAN (CGAN).
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
CGAN_Jittor
介绍
本项目是 第三届计图人工智能挑战赛 热身赛部分的赛题的一份解答。
本项目使用 Jittor 深度学习框架，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。
使用方式
安装
本项目使用 Jittor 框架，Jittor 框架目前支持 Linux 或 Windows(包括 WSL)。需要使用 Python 及 C++ 编译器（g++ 或 clang）。
Jittor 提供了三种安装方法：docker，pip 和手动安装，具体安装教程请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/ 。
运行
运行以下命令，即可进行模型训练，并生成手写数字图片。
训练结果 Demo
训练结果 Demo 如下，生成 13666671365542 的手写数字图片。
中间文件与结果
在训练过程中的中间文件与训练结果参见 清华云盘链接。