[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AlexiaJM--Deep-learning-with-cats":3,"tool-AlexiaJM--Deep-learning-with-cats":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",149489,2,"2026-04-10T11:32:46",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":154},6256,"AlexiaJM\u002FDeep-learning-with-cats","Deep-learning-with-cats","Deep learning with cats (^._.^)","Deep-learning-with-cats 是一个充满趣味的深度学习开源项目，旨在通过生成对抗网络（GAN）和卷积神经网络，让机器学会“画猫”并将猫咪照片转化为艺术风格画作。该项目主要解决了初学者在构建深度神经网络时缺乏完整实战案例的痛点，提供了从数据预处理到模型训练的一站式代码参考。\n\n它非常适合希望入门深度学习、特别是想掌握 GAN 技术的开发者、学生及研究人员使用。用户无需从零搭建框架，即可直接复现多种经典算法。其技术亮点在于集成了多种主流的生成模型，包括 DCGAN、WGAN、WGAN-GP、LSGAN 以及用于风格迁移的 CycleGAN 和快速神经风格迁移算法。此外，项目还展示了如何应用 SELU 激活函数、谱归一化等进阶技巧来提升生成图像的质量与稳定性。\n\n作为一个“玩具”性质的教学项目，Deep-learning-with-cats 代码结构清晰，支持通过 TensorBoard 实时监控训练过程，并允许用户轻松切换不同模型来生成 64x64 或 128x128 分辨率的猫咪图片。无论是为了学习原理还是作为进一步研究的基石，它都是一个友好且实用的起点。","# Deep-learning-with-cats\n\nThis repository is a \"toy\" project so I can gain experience building deep neural networks. My first goal is generating pictures of cats using Generative Adversarial Networks. My second goal is making art with cats by applying styles to pictures of cats using deep convolutional neural networks. (^._.^)\n\n**Update (2019\u002F03\u002F02): This contains a even more recent version of the code with even more features: https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002Frelativistic-f-divergences **\n\nUpdate (2018\u002F11\u002F02): See https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FRelativisticGAN for a greatly enhanced version of the GAN codes, that incorporate all loss functions into a single file. It also includes additional better relativistic loss functions and many extra features (ex: Spectral normalization, Hinge Loss, Gradient penalty with any GAN loss, generate pictures every X iteration, learning rate decay, etc.). It still works by default to generate cats but it can also do CIFAR-10.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_f76665511fe6.gif)\n\n**Objectives**\n* Generate images of cats using various types of Generative Adversarial Networks (GAN)\n  * use **DCGAN** (Done)\n  * use **WGAN** (Done)\n  * use **WGAN-GP** (Done)\n  * use **LSGAN** (Done)\n  * use **BEGAN**\n* Transform real cats into art pieces \n  * use **CycleGAN**\n  * use **Fast neural style** (Done)\n* Various\u002FOthers\n  * Try adding Frechet Inception Distance (FID) as per https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.08500.pdf\n  * Try soft and noisy labels as per https:\u002F\u002Fgithub.com\u002Fsoumith\u002Fganhacks\n  * Try adding decaying noise to input as per https:\u002F\u002Fgithub.com\u002Fsoumith\u002Fganhacks\n  \n**Needed**\n\n* Python 3.6, PyTorch, Tensorflow (for TensorBoard)\n* Cat Dataset (https:\u002F\u002Fweb.archive.org\u002Fweb\u002F20150703060412\u002Fhttp:\u002F\u002F137.189.35.203\u002FWebUI\u002FCatDatabase\u002FcatData.html or http:\u002F\u002Facademictorrents.com\u002Fdetails\u002Fc501571c29d16d7f41d159d699d0e7fb37092cbd)\n* TensorBoard logger (https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Ftensorboard_logger)\n\n**To run**\n```bash\n$ # Download dataset and preprocess cat pictures \n$ # Create two folders, one for cats bigger than 64x64 and one for cats bigger than 128x128\n$ sh setting_up_script.sh\n$ # Move to your favorite place\n$ mv cats_bigger_than_64x64 \"your_input_folder_64x64\"\n$ mv cats_bigger_than_128x128 \"your_input_folder_128x128\"\n$ # Generate 64x64 cats using DCGAN\n$ python DCGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n$ # Generate 128x128 cats using DCGAN\n$ python DCGAN.py --input_folder=\"your_input_folder_128x128\" --image_size 128 --G_h_size 64 --D_h_size 64 --SELU True\n$ # Generate 64x64 cats using WGAN\n$ python WGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n$ # Generate 64x64 cats using WGAN-GP\n$ python WGAN-GP.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\" --SELU True\n$ # Generate 64x64 cats using LSGAN (Least Squares GAN)\n$ python LSGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n```\n\n**To see TensorBoard plots of the losses**\n```bash\n$ tensorboard --logdir \"your_input_folder\"\n```\n\n# Results\n\n**Discussion of the results at https:\u002F\u002Fajolicoeur.wordpress.com\u002Fcats.**\n\n**DCGAN 64x64**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_89a430ce7dd7.png)\n\n**DCGAN 128x128 with SELU**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_e76262a78c53.png)\n\n**WGAN 64x64**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_96a86e1f7836.png)\n\n**WGAN-GP 64x64 with SELU**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_de006ede5b92.png)\n\n**Fast style transfer**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_412e0905e4aa.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_23ad9d04c39f.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_d76812cfa35e.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_ad3909b2b048.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_cd2c6d3bc210.jpg)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_792157e01ae6.jpg)\n","# 使用猫咪进行深度学习\n\n这个仓库是一个“玩具”项目，旨在让我积累构建深度神经网络的经验。我的第一个目标是使用生成对抗网络（GAN）生成猫的图片。第二个目标则是通过深度卷积神经网络将猫的图片转换为艺术作品。（^._.^）\n\n**更新（2019年3月2日）：这里包含了更近的新版本代码，功能更加丰富：https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002Frelativistic-f-divergences**\n\n更新（2018年11月2日）：请参阅 https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FRelativisticGAN，其中包含了一个大幅增强的 GAN 代码版本，所有损失函数都被整合到一个文件中。它还加入了更多优秀的相对论性损失函数以及许多额外的功能（例如：谱归一化、Hinge 损失、适用于任何 GAN 损失的梯度惩罚、每隔 X 次迭代生成图片、学习率衰减等）。默认情况下它仍然可以用来生成猫的图片，但也可以处理 CIFAR-10 数据集。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_f76665511fe6.gif)\n\n**目标**\n* 使用各种类型的生成对抗网络（GAN）生成猫的图片\n  * 使用 **DCGAN**（已完成）\n  * 使用 **WGAN**（已完成）\n  * 使用 **WGAN-GP**（已完成）\n  * 使用 **LSGAN**（已完成）\n  * 使用 **BEGAN**\n* 将真实的猫图片转化为艺术作品\n  * 使用 **CycleGAN**\n  * 使用 **快速神经风格迁移**（已完成）\n* 其他\u002F杂项\n  * 尝试按照 https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.08500.pdf 的方法加入弗雷歇起始距离（FID）\n  * 尝试按照 https:\u002F\u002Fgithub.com\u002Fsoumith\u002Fganhacks 的方法使用软标签和噪声标签\n  * 尝试按照 https:\u002F\u002Fgithub.com\u002Fsoumith\u002Fganhacks 的方法在输入中加入逐渐衰减的噪声\n  \n**所需工具**\n* Python 3.6、PyTorch、TensorFlow（用于 TensorBoard）\n* 猫咪数据集（https:\u002F\u002Fweb.archive.org\u002Fweb\u002F20150703060412\u002Fhttp:\u002F\u002F137.189.35.203\u002FWebUI\u002FCatDatabase\u002FcatData.html 或 http:\u002F\u002Facademictorrents.com\u002Fdetails\u002Fc501571c29d16d7f41d159d699d0e7fb37092cbd）\n* TensorBoard 日志记录器（https:\u002F\u002Fgithub.com\u002FTeamHG-Memex\u002Ftensorboard_logger）\n\n**运行步骤**\n```bash\n$ # 下载数据集并预处理猫的图片 \n$ # 创建两个文件夹，一个用于大于 64x64 的猫图片，另一个用于大于 128x128 的猫图片\n$ sh setting_up_script.sh\n$ # 移动到你喜欢的地方\n$ mv cats_bigger_than_64x64 \"your_input_folder_64x64\"\n$ mv cats_bigger_than_128x128 \"your_input_folder_128x128\"\n$ # 使用 DCGAN 生成 64x64 的猫图片\n$ python DCGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n$ # 使用 DCGAN 生成 128x128 的猫图片\n$ python DCGAN.py --input_folder=\"your_input_folder_128x128\" --image_size 128 --G_h_size 64 --D_h_size 64 --SELU True\n$ # 使用 WGAN 生成 64x64 的猫图片\n$ python WGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n$ # 使用 WGAN-GP 生成 64x64 的猫图片\n$ python WGAN-GP.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\" --SELU True\n$ # 使用 LSGAN（最小二乘 GAN）生成 64x64 的猫图片\n$ python LSGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n```\n\n**查看 TensorBoard 中的损失曲线**\n```bash\n$ tensorboard --logdir \"your_input_folder\"\n```\n\n# 结果\n\n**结果讨论见 https:\u002F\u002Fajolicoeur.wordpress.com\u002Fcats。**\n\n**DCGAN 64x64**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_89a430ce7dd7.png)\n\n**DCGAN 128x128 使用 SELU**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_e76262a78c53.png)\n\n**WGAN 64x64**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_96a86e1f7836.png)\n\n**WGAN-GP 64x64 使用 SELU**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_de006ede5b92.png)\n\n**快速风格迁移**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_412e0905e4aa.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_23ad9d04c39f.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_d76812cfa35e.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_ad3909b2b048.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_cd2c6d3bc210.jpg)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_readme_792157e01ae6.jpg)","# Deep-learning-with-cats 快速上手指南\n\n本项目是一个用于学习深度神经网络的趣味项目，主要功能是利用生成对抗网络（GAN）生成猫咪图片，以及使用风格迁移技术将猫咪图片转化为艺术作品。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows (需配置相应环境)\n*   **Python 版本**: Python 3.6+\n*   **核心框架**: PyTorch, TensorFlow (仅用于 TensorBoard 可视化)\n*   **依赖库**:\n    *   `tensorboard_logger` (用于记录训练日志)\n\n**国内加速建议**：\n安装 Python 依赖时，推荐使用清华或阿里镜像源以加快下载速度：\n```bash\npip install torch torchvision tensorboard_logger -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n### 1. 获取代码\n克隆仓库到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats.git\ncd Deep-learning-with-cats\n```\n\n### 2. 准备数据集\n本项目需要猫咪数据集。您可以从以下地址下载（若原链接失效，可在 Kaggle 或国内数据平台搜索 \"Cat Dataset\"）：\n*   原始链接: http:\u002F\u002Facademictorrents.com\u002Fdetails\u002Fc501571c29d16d7f41d159d699d0e7fb37092cbd\n*   存档链接: https:\u002F\u002Fweb.archive.org\u002Fweb\u002F20150703060412\u002Fhttp:\u002F\u002F137.189.35.203\u002FWebUI\u002FCatDatabase\u002FcatData.html\n\n下载后，运行项目自带的脚本进行预处理，该脚本会自动创建两个文件夹，分别存放分辨率大于 64x64 和 128x128 的图片：\n```bash\nsh setting_up_script.sh\n```\n\n### 3. 配置输入路径\n将预处理生成的文件夹移动或重命名为您喜欢的路径（以下示例假设重命名为 `your_input_folder_64x64` 和 `your_input_folder_128x128`）：\n```bash\nmv cats_bigger_than_64x64 \"your_input_folder_64x64\"\nmv cats_bigger_than_128x128 \"your_input_folder_128x128\"\n```\n\n## 基本使用\n\n以下是生成猫咪图片的最简命令示例。请根据您的数据集路径替换 `\"your_input_folder_...\"` 和输出路径 `\"your_output_folder\"`。\n\n### 生成 64x64 猫咪图片 (DCGAN)\n最基础的用法，使用 DCGAN 模型：\n```bash\npython DCGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n```\n\n### 生成 128x128 猫咪图片 (DCGAN + SELU)\n生成更高分辨率图片，并启用 SELU 激活函数：\n```bash\npython DCGAN.py --input_folder=\"your_input_folder_128x128\" --image_size 128 --G_h_size 64 --D_h_size 64 --SELU True\n```\n\n### 尝试其他 GAN 模型\n项目支持多种 GAN 变体，只需更换脚本文件即可：\n\n*   **WGAN**:\n    ```bash\n    python WGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n    ```\n*   **WGAN-GP**:\n    ```bash\n    python WGAN-GP.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\" --SELU True\n    ```\n*   **LSGAN (Least Squares GAN)**:\n    ```bash\n    python LSGAN.py --input_folder \"your_input_folder_64x64\" --output_folder \"your_output_folder\"\n    ```\n\n### 查看训练过程 (TensorBoard)\n训练开始后，您可以在另一个终端窗口运行以下命令，通过浏览器实时查看损失函数曲线和生成效果：\n```bash\ntensorboard --logdir \"your_input_folder\"\n```\n*(注：请将 logdir 指向实际记录日志的文件夹路径)*","某独立游戏开发者需要为一款奇幻题材手游快速生成大量风格统一的“魔法猫”素材及艺术化背景图，但面临美术资源短缺的困境。\n\n### 没有 Deep-learning-with-cats 时\n- **数据收集与处理繁琐**：手动从网络爬取猫咪图片后，缺乏自动化脚本进行尺寸筛选（如区分 64x64 与 128x128）和预处理，耗费大量时间在数据清洗上。\n- **模型搭建门槛高**：若要尝试 DCGAN、WGAN-GP 等不同生成算法，需从零编写复杂的神经网络代码，调试对抗训练中的模式崩溃问题极其困难。\n- **风格迁移实现单一**：想要将真实猫咪照片转化为油画或水墨风格，需单独寻找并整合风格迁移模型，难以在同一框架下灵活切换多种艺术效果。\n- **训练过程不透明**：缺乏内置的 TensorBoard 日志集成，无法实时监控生成器与判别器的损失曲线，导致调整超参数全靠猜测，迭代效率低下。\n\n### 使用 Deep-learning-with-cats 后\n- **数据流程自动化**：利用自带的 `setting_up_script.sh` 脚本，一键完成数据集下载、分类及预处理，直接生成适配不同分辨率的训练文件夹。\n- **多算法即插即用**：通过简单的命令行参数即可切换 DCGAN、WGAN、LSGAN 等多种成熟架构，甚至支持 SELU 激活函数等高级特性，大幅降低实验成本。\n- **艺术创作多样化**：不仅能量成高质量猫咪图像，还能直接调用 Fast neural style 模块，将普通猫图批量转化为多种特定艺术风格，丰富游戏视觉表现。\n- **可视化监控便捷**：内置 TensorBoard 支持，实时展示训练损耗与生成效果演进，帮助开发者精准定位训练瓶颈，快速收敛出理想模型。\n\nDeep-learning-with-cats 将复杂的深度学习实验转化为标准化的流水线操作，让开发者能专注于创意落地而非底层代码重构。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAlexiaJM_Deep-learning-with-cats_89a430ce.png","AlexiaJM","Alexia Jolicoeur-Martineau","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAlexiaJM_20f04bb2.jpg","I build generative AI for images, videos, text, tabular data, NN weights, molecules, and video game",null,"Montréal, Qc, Canada","alexia.jolicoeur-martineau@mail.mcgill.ca","jm_alexia","https:\u002F\u002Fajolicoeur.wordpress.com\u002F","https:\u002F\u002Fgithub.com\u002FAlexiaJM",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",94.2,{"name":88,"color":89,"percentage":90},"Shell","#89e051",5.8,1435,187,"2026-03-31T22:37:13","GPL-3.0","未说明","未说明（但项目涉及 DCGAN、WGAN 等深度学习模型训练，通常建议配备支持 CUDA 的 NVIDIA GPU）",{"notes":98,"python":99,"dependencies":100},"该项目是一个用于学习构建深度神经网络的‘玩具’项目。运行前需自行下载猫数据集并执行脚本进行预处理（区分 64x64 和 128x128 图片）。代码库中包含多个更新版本的链接（如 RelativisticGAN），README 中的代码可能较旧（最后更新于 2019 年）。主要依赖 PyTorch 进行模型训练，TensorFlow 仅作为 TensorBoard 的后端用于日志可视化。","3.6",[101,102,103],"PyTorch","Tensorflow (仅用于 TensorBoard)","tensorboard_logger",[15,14],[106,107,108,109,110],"deep-learning","cat","cuda","gan","picture","2026-03-27T02:49:30.150509","2026-04-10T20:44:06.364870",[114,119,124,129,134,139,144,149],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},28310,"数据集链接返回 \"503 Service Unavailable\" 错误，无法下载怎么办？","请尝试多次访问链接，因为服务器可能暂时不可用。此外，项目中的 \"Setting up the data\u002Fsetting_up_script.sh\" 脚本会自动下载数据集。如果仍然无法下载，可以通过以下种子链接获取：http:\u002F\u002Facademictorrents.com\u002Fdetails\u002Fc501571c29d16d7f41d159d699d0e7fb37092cbd","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F12",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},28311,"使用 vutils.save_image 保存单张图片时出现亮度异常问题如何解决？","这是由于批归一化（Batch Norm）导致的。最佳解决方案是生成完整的 mini-batch 图片，然后从中提取单张图片。如果必须直接生成单张，可以尝试将批归一化替换为实例归一化（Instance Norm），或者完全移除批归一化层。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F23",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},28312,"运行代码时出现 \"Invalid Syntax\" 错误（例如 f-string 语法错误）是什么原因？","这通常是因为 Python 版本过低。代码中使用了 f-string 格式化语法（如 f\"{param.output_folder}\u002Frun-{run}\"），需要 Python 3.6 或更高版本才能支持。请升级您的 Python 环境至 3.6+。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F16",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},28313,"如何配置以在训练过程中或将已训练模型生成的图片保存到包含子文件夹的结构中？","建议使用更新版本的 RelativisticGAN 项目（https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FRelativisticGAN），它支持此功能。主要参数包括 \"gen_extra_images\" 和 \"gen_every\"。\n1. 对于已训练好的模型 (.pth)：使用 \"load = \u002Fpath\u002Fto\u002Fstate_10.pth\" 加载模型，设置 \"gen_every\"=1 和 \"gen_extra_images\"=10000。注意生成完成后需手动停止，否则会持续生成文件夹。\n2. 训练过程中生成：设置 \"gen_every\"=5000 和 \"gen_extra_images\"=10000，即可每 5000 次迭代生成 10000 张图片并保存到独立文件夹。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F19",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},28314,"WGAN-GP 生成的图像模糊是由什么原因造成的？","图像模糊主要是由损失函数（Loss）本身的特性导致的，具体来说是 Wasserstein 损失的特性使得生成的图像倾向于平滑。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F15",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},28315,"WGAN 训练判别器（Discriminator）时，真实样本和伪造样本的 backward 梯度方向是否写反了？","是的，原始代码中的梯度方向确实是反的。虽然在数学上这只会导致 D(fake) 变大而 D(real) 变小（与预期相反），不影响收敛逻辑，但已在更新版项目 https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FRelativisticGAN 中修复了此问题。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F18",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},28316,"生成器的损失（Loss）持续增加是否正常？特别是在使用小数据集时。","如果使用较小的数据集（如 10k 张图片）且数据噪声较大或过于复杂，GAN 模型可能难以收敛，导致损失波动或增加。在这种情况下，生成有意义的图像非常困难。建议尝试更复杂的模型结构，或者使用更大的数据集（如 ImageNet 级别），但在小数据集上不收敛是常见现象。","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F10",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},28317,"如何找到训练集中与生成图片最相似的原始图片？","可以通过计算生成图片与数据集中所有图片的无加权像素差平均值来实现。作者提供了一个专门的项目用于查找最相似图片，地址为：https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FGenerative-model-most-similar-images","https:\u002F\u002Fgithub.com\u002FAlexiaJM\u002FDeep-learning-with-cats\u002Fissues\u002F2",[]]