master
| 第四届计图挑战热身赛
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)，生成比赛 ID 图像
｜展示方法的流程特点或者主要结果等
| 简单介绍项目背景、项目特点
本项目包含了第四届计图挑战热身赛计图 - 手写数字生成赛题的代码实现。本项目的特点是：采用了 CGAN 方法对 MNIST数字图片数据集 进行了训练和处理，提交结果置信度 0.9998。
| 介绍基本的硬件需求、运行环境、依赖安装方法
本项目可在 1 张 3090 上运行，训练时间约为 1 小时。
执行以下命令安装 python 依赖
pip install -r requirements.txt
(有关 jittor 的安装请参考 jittor 官网)
已经附加在项目中，名称为generator_last.pkl和 discriminator_last.pkl ,放入与 CGAN.py 同级文件中即可。
generator_last.pkl
discriminator_last.pkl
CGAN.py
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
python train.py
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
python test.py
| 对参考的论文、开源库予以致谢，可选
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，代码模板由 jittor 提供，相关代码可参考 jittor-gan。
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 第四届计图人工智能挑战赛 热身赛 手写数字生成赛题 CGAN实现
数据集
| 第四届计图挑战热身赛
Jittor 手写数字生成赛题 baseline
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)，生成比赛 ID 图像
｜展示方法的流程特点或者主要结果等
简介
| 简单介绍项目背景、项目特点
本项目包含了第四届计图挑战热身赛计图 - 手写数字生成赛题的代码实现。本项目的特点是：采用了 CGAN 方法对 MNIST数字图片数据集 进行了训练和处理，提交结果置信度 0.9998。
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 1 张 3090 上运行，训练时间约为 1 小时。
运行环境
安装依赖
执行以下命令安装 python 依赖
(有关 jittor 的安装请参考 jittor 官网)
预训练模型
已经附加在项目中，名称为
generator_last.pkl和discriminator_last.pkl,放入与CGAN.py同级文件中即可。训练
｜ 介绍模型训练的方法
单卡训练可运行以下命令：
推理
｜ 介绍模型推理、测试、或者评估的方法
生成测试集上的结果可以运行以下命令：
致谢
| 对参考的论文、开源库予以致谢，可选
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，代码模板由 jittor 提供，相关代码可参考 jittor-gan。
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。