ADD file via upload
简介 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Conditiona1GAN模型，并生成给定的用户随机ID对应的数字图片结果。 本赛题提供示例代码，提供数据下载、模型定义、训练步骤等功能。
运行环境Jittor 安装 Jittor框架对环境要求如下: 操作系统: Ubuntu >= 16.04 或 Windows Subsystem of Linux（WSL） Python：版本 >= 3.7 C++编译器 （需要下列至少一个） g++ （>=5.4.0） clang （>=8.0） GPU 编译器（可选）：nvcc >=10.0 GPU 加速库（可选）：cudnn-dev (cudnn开发版, 推荐使用tar安装方法，参考链接)
预训练模型 无
运行代码 使用以下命令运行代码： python CGAN.py
致谢 感谢计图官方提供的示例代码。
注意事项 比赛需要使用计图深度学习框架
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。
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
数据集
第四届计图挑战热身赛 Jittor手写数字生成
简介 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Conditiona1GAN模型，并生成给定的用户随机ID对应的数字图片结果。 本赛题提供示例代码，提供数据下载、模型定义、训练步骤等功能。
运行环境Jittor 安装 Jittor框架对环境要求如下: 操作系统: Ubuntu >= 16.04 或 Windows Subsystem of Linux（WSL） Python：版本 >= 3.7 C++编译器 （需要下列至少一个） g++ （>=5.4.0） clang （>=8.0） GPU 编译器（可选）：nvcc >=10.0 GPU 加速库（可选）：cudnn-dev (cudnn开发版, 推荐使用tar安装方法，参考链接)
预训练模型 无
运行代码 使用以下命令运行代码： python CGAN.py
致谢 感谢计图官方提供的示例代码。
注意事项 比赛需要使用计图深度学习框架