Edit README.md

README.md

@@ -38,10 +38,8 @@ Pour contrôler quel chiffre le générateur doit produire, nous implémentons u
 - Une perte par entropie croisée catégorielle est utilisée pour le discriminateur au lieu d'une perte binaire, puisqu'il effectue une classification multi-classes.
 - La fonction de perte encourage le générateur à produire des chiffres bien classifiés.
 
-#### Exemples d'images générées par le cGAN :
-(Insérer ici des images d'exemples de chiffres générés conditionnellement)
 
-## Bonus : Implémentation d'un cGAN avec Discriminateur Multi-Class
+## Implémentation d'un cGAN avec Discriminateur Multi-Class
 
 Pour améliorer la génération d'images et éviter les ambiguïtés entre certains chiffres (ex: 3 vs 7), nous avons mis en place un discriminateur multi-classes qui classifie les images générées en l'une des 10 catégories de chiffres ou comme une image générée.
 
@@ -53,9 +51,9 @@ Pour améliorer la génération d'images et éviter les ambiguïtés entre certa
 | **cGAN avec Discriminateur Multi-Class** | Le générateur produit des chiffres conditionnés sur le label, et le discriminateur apprend à classifier les images dans une des 10 catégories de chiffres ou comme fausses. | Améliore la qualité des images générées et réduit l’ambiguïté entre les chiffres. |
 
 #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur (real/fake) :
-![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3(1).png)
+![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3_1.png)
 #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur Multi-Class :
-![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3(2).png)
+![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3_2.png)
 
 ## Conclusion
 - Les GANs permettent de générer des chiffres manuscrits réalistes.