init
该项目是第三届计图人工智能挑战赛热身赛的一个解决方案，使用了Jittor框架，并借助了条件生成对抗网络（Conditional GAN）模型，可以将随机噪声和类别标签映射为数字图片，以此实现数字的生成。
使用该项目前，请确保你已经安装了以下的依赖项：
在你的命令行中，输入下面的命令来克隆此仓库：
git clone git@code.gitlink.org.cn:tutu_yux/Conditional-GAN-GGXTHU.git
推荐使用Anaconda环境，创建一个虚拟环境并激活环境。然后，使用conda安装依赖项：
conda install jittor conda install -r req.txt
其他系统安装方式参见jittor官网
你可以通过运行下面的命令来启动程序:
python CGAN.py
该仓库包括以下文件：
CGAN.py
discriminator_last.pkl
generator_last.pkl
result.png
README.md
该项目使用MIT许可证。有关更多信息，请查看LICENSE文件。
如果您有任何问题或建议，请在GitHub上提出问题或向我们发送拉取请求。
该项目的所有代码，文档，数据遵循Apache 2.0 License许可；
Apache 2.0 License授权许可并不适用于与计算机安全相关的部分；
相关数据、图像使用则遵循CC BY 4.0授权许可： The data or images used in this repo follows the CC BY 4.0 license. (These licenses require the user to provide attribution to the original source when used.)
该项目中的代码和架构大量参考了开源社区的开源代码，在此表示感谢。
第三届计图人工智能挑战赛热身赛 - 条件生成对抗网络（Conditional GAN）数字生成任务
该项目是第三届计图人工智能挑战赛热身赛的一个解决方案，使用了Jittor框架，并借助了条件生成对抗网络（Conditional GAN）模型，可以将随机噪声和类别标签映射为数字图片，以此实现数字的生成。
安装和运行
使用该项目前，请确保你已经安装了以下的依赖项：
步骤1： 克隆仓库
在你的命令行中，输入下面的命令来克隆此仓库：
步骤2： 安装依赖项
windows
推荐使用Anaconda环境，创建一个虚拟环境并激活环境。然后，使用conda安装依赖项：
其他：
其他系统安装方式参见jittor官网
步骤3： 运行
你可以通过运行下面的命令来启动程序:
项目结构
该仓库包括以下文件：
CGAN.py- 用于训练和生成数字图像的主程序。discriminator_last.pklgenerator_last.pkl训练后的模型result.png- 包含了训练后生成的数字图像。README.md- 该文件，包含了仓库的所有信息。许可证
该项目使用MIT许可证。有关更多信息，请查看LICENSE文件。
提交反馈
如果您有任何问题或建议，请在GitHub上提出问题或向我们发送拉取请求。
授权许可
该项目的所有代码，文档，数据遵循Apache 2.0 License许可；
Apache 2.0 License授权许可并不适用于与计算机安全相关的部分；
相关数据、图像使用则遵循CC BY 4.0授权许可： The data or images used in this repo follows the CC BY 4.0 license. (These licenses require the user to provide attribution to the original source when used.)
致谢
该项目中的代码和架构大量参考了开源社区的开源代码，在此表示感谢。