Update README.md
| 第二届计图挑战赛开源模板
本赛道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。
本赛题将会提供数字图片数据集 MNIST,参赛选手需要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,并生成注册时绑定的手机号(如果没有绑定手机号请先绑定再进行提交)。
| 简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 草图生成风景比赛的代码实现。本项目的特点是:采用了 CGAN模型,取得了 0.9936 的效果。
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在CPU环境下训练,大约2小时
执行以下命令安装 python 依赖
pip install -r requirements.txt
无
nohup python -u CGAN.py &
点击项目的“设置”,在Description一栏中添加项目描述,需要包含“jittor”字样。同时在Topics中需要添加jittor。
Jittor
实践课程
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
| 第二届计图挑战赛开源模板
Jittor 计图挑战热身赛
赛题介绍
本赛道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。
赛题内容
本赛题将会提供数字图片数据集 MNIST,参赛选手需要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,并生成注册时绑定的手机号(如果没有绑定手机号请先绑定再进行提交)。
简介
| 简单介绍项目背景、项目特点
本项目包含了第二届计图挑战赛计图 - 草图生成风景比赛的代码实现。本项目的特点是:采用了 CGAN模型,取得了 0.9936 的效果。
安装
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在CPU环境下训练,大约2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
无
数据预处理
无
训练
推理
无
致谢
无
注意事项
点击项目的“设置”,在Description一栏中添加项目描述,需要包含“jittor”字样。同时在Topics中需要添加jittor。