[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA--FastPhotoStyle":3,"tool-NVIDIA--FastPhotoStyle":62},[4,18,26,35,44,53],{"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},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。",108111,2,"2026-04-08T11:23:26",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[43,15,13,14],"语言模型",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":59,"last_commit_at":60,"category_tags":61,"status":17},5646,"opencv","opencv\u002Fopencv","OpenCV 是一个功能强大的开源计算机视觉库，被誉为机器视觉领域的“瑞士军刀”。它主要解决让计算机“看懂”图像和视频的核心难题，提供了从基础的图像读取、色彩转换、边缘检测，到复杂的人脸识别、物体追踪、3D 重建及深度学习模型部署等全方位算法支持。无论是处理静态图片还是分析实时视频流，OpenCV 都能高效完成特征提取与模式识别任务。\n\n这款工具特别适合计算机视觉开发者、人工智能研究人员以及机器人工程师使用。对于希望将视觉感知能力集成到应用中的软件工程师，或是需要快速验证算法原型的学术研究者，OpenCV 都是不可或缺的基础设施。虽然普通用户通常不会直接操作代码，但日常生活中使用的扫码支付、美颜相机和自动驾驶系统，背后往往都有它的身影。\n\nOpenCV 的独特亮点在于其卓越的性能与广泛的兼容性。它采用 C++ 编写以确保高速运算，同时提供 Python、Java 等多种语言接口，极大降低了开发门槛。库中内置了数千种优化算法，并支持跨平台运行，能够无缝对接各类硬件加速器。作为社区驱动的项目，OpenCV 拥有活跃的生态系统和丰富的学习资源，持续推动着视觉技术的前沿发展。",86988,1,"2026-04-08T16:06:22",[14,15],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":77,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":146},5992,"NVIDIA\u002FFastPhotoStyle","FastPhotoStyle","Style transfer, deep learning, feature transform","FastPhotoStyle 是一款由英伟达（NVIDIA）开源的图像风格迁移工具，旨在将一张照片的艺术风格快速、自然地应用到另一张内容照片上。它主要解决了传统风格迁移算法在处理真实感照片时容易产生的伪影问题，同时大幅提升了处理速度，让生成结果既保留了原图的细节结构，又完美融合了目标风格的笔触与色调。\n\n该工具的核心技术亮点在于其论文中提出的“闭合形式解”（Closed-form Solution）。不同于以往依赖繁琐迭代优化的方法，FastPhotoStyle 通过特征变换直接计算得出结果，从而实现了高效的实时处理能力。这一突破使其在保持 photorealistic（照片级真实感）方面表现卓越，特别适合需要高质量视觉输出的场景。\n\nFastPhotoStyle 非常适合计算机视觉研究人员、深度学习开发者以及数字艺术家使用。研究人员可以基于其 PyTorch 代码复现 ECCV 2018 的经典算法；开发者能将其集成到图像处理管线中；而设计师则可利用它快速探索不同的视觉风格创意。虽然项目早期支持 Python 2.7\u002F3.5 及 PyTorch 0.4 版本，但其核心算法思想至今仍具","FastPhotoStyle 是一款由英伟达（NVIDIA）开源的图像风格迁移工具，旨在将一张照片的艺术风格快速、自然地应用到另一张内容照片上。它主要解决了传统风格迁移算法在处理真实感照片时容易产生的伪影问题，同时大幅提升了处理速度，让生成结果既保留了原图的细节结构，又完美融合了目标风格的笔触与色调。\n\n该工具的核心技术亮点在于其论文中提出的“闭合形式解”（Closed-form Solution）。不同于以往依赖繁琐迭代优化的方法，FastPhotoStyle 通过特征变换直接计算得出结果，从而实现了高效的实时处理能力。这一突破使其在保持 photorealistic（照片级真实感）方面表现卓越，特别适合需要高质量视觉输出的场景。\n\nFastPhotoStyle 非常适合计算机视觉研究人员、深度学习开发者以及数字艺术家使用。研究人员可以基于其 PyTorch 代码复现 ECCV 2018 的经典算法；开发者能将其集成到图像处理管线中；而设计师则可利用它快速探索不同的视觉风格创意。虽然项目早期支持 Python 2.7\u002F3.5 及 PyTorch 0.4 版本，但其核心算法思想至今仍具有重要的参考与应用价值。","[![License CC BY-NC-SA 4.0](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC4.0-blue.svg)](https:\u002F\u002Fraw.githubusercontent.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fmaster\u002FLICENSE.md)\n![Python 2.7](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-2.7-green.svg)\n![Python 3.5](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.5-green.svg)\n\n## FastPhotoStyle\n\n### License\nCopyright (C) 2018 NVIDIA Corporation.  All rights reserved.\nLicensed under the CC BY-NC-SA 4.0 license (https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002Flegalcode).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_FastPhotoStyle_readme_2dd866151dc6.png\" width=\"800\" title=\"Teaser results\"> \n\n\n### What's new\n \n | Date     | News |\n |----------|--------------|\n |2018-07-25| Migrate to pytorch 0.4.0. For pytorch 0.3.0 user, check out [FastPhotoStyle for pytorch 0.3.0](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Freleases\u002Ftag\u002Ff33e07f). |\n |          | Add a [tutorial](TUTORIAL.md) showing 3 ways of using the FastPhotoStyle algorithm.|\n |2018-07-10| Our paper is accepted by the ECCV 2018 conference!!! | \n\n\n### About\n\nGiven a content photo and a style photo, the code can transfer the style of the style photo to the content photo. The details of the algorithm behind the code is documented in our arxiv paper. Please cite the paper if this code repository is used in your publications.\n\n[A Closed-form Solution to Photorealistic Image Stylization](https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.06474) \u003Cbr> \n[Yijun Li (UC Merced)](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fyijunlimaverick\u002F), [Ming-Yu Liu (NVIDIA)](http:\u002F\u002Fmingyuliu.net\u002F), [Xueting Li (UC Merced)](https:\u002F\u002Fsunshineatnoon.github.io\u002F), [Ming-Hsuan Yang (NVIDIA, UC Merced)](http:\u002F\u002Ffaculty.ucmerced.edu\u002Fmhyang\u002F), [Jan Kautz (NVIDIA)](http:\u002F\u002Fjankautz.com\u002F) \u003Cbr>\nEuropean Conference on Computer Vision (ECCV), 2018 \u003Cbr>\n\n\n### Tutorial\n\nPlease check out the [tutorial](TUTORIAL.md).\n\n\n","[![许可证 CC BY-NC-SA 4.0](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC4.0-blue.svg)](https:\u002F\u002Fraw.githubusercontent.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fmaster\u002FLICENSE.md)\n![Python 2.7](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-2.7-green.svg)\n![Python 3.5](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.5-green.svg)\n\n## FastPhotoStyle\n\n### 许可证\n版权所有 © 2018 NVIDIA Corporation。保留所有权利。\n根据 CC BY-NC-SA 4.0 许可证授权（https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002Flegalcode）。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_FastPhotoStyle_readme_2dd866151dc6.png\" width=\"800\" title=\"预告片效果\"> \n\n\n### 最新动态\n \n | 日期     | 新闻 |\n |----------|--------------|\n |2018-07-25| 迁移到 PyTorch 0.4.0。对于使用 PyTorch 0.3.0 的用户，请查看 [适用于 PyTorch 0.3.0 的 FastPhotoStyle](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Freleases\u002Ftag\u002Ff33e07f)。 |\n |          | 添加了一个 [教程](TUTORIAL.md)，展示了使用 FastPhotoStyle 算法的三种方法。|\n |2018-07-10| 我们的论文已被 ECCV 2018 大会接收！！！ | \n\n\n### 关于\n\n给定一张内容照片和一张风格照片，该代码可以将风格照片的风格迁移到内容照片上。代码背后的算法细节已在我们的 arXiv 论文中进行了详细说明。如果在您的出版物中使用了此代码库，请务必引用该论文。\n\n[一种用于照片级真实感图像风格化的闭式解](https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.06474) \u003Cbr> \n[李益军（加州大学默塞德分校）](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fyijunlimaverick\u002F)、[刘明宇（NVIDIA）](http:\u002F\u002Fmingyuliu.net\u002F)、[李雪婷（加州大学默塞德分校）](https:\u002F\u002Fsunshineatnoon.github.io\u002F)、[杨明轩（NVIDIA、加州大学默塞德分校）](http:\u002F\u002Ffaculty.ucmerced.edu\u002Fmhyang\u002F)、[扬·考茨（NVIDIA）](http:\u002F\u002Fjankautz.com\u002F) \u003Cbr>\n欧洲计算机视觉大会 (ECCV), 2018 \u003Cbr>\n\n\n### 教程\n\n请查看 [教程](TUTORIAL.md)。","# FastPhotoStyle 快速上手指南\n\nFastPhotoStyle 是由 NVIDIA 开源的摄影真实感图像风格迁移工具。它能够将一张风格图的艺术风格快速迁移到内容图上，同时保持内容的真实感。该算法相关论文已发表于 ECCV 2018。\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 或 macOS (Windows 需自行配置兼容环境)\n*   **Python 版本**: Python 2.7 或 Python 3.5+\n*   **深度学习框架**: PyTorch 0.4.0 或更高版本\n    *   *注意：本指南基于 README 中提到的 PyTorch 0.4.0+ 版本。如果您仍在使用 PyTorch 0.3.0，请参考项目发布的旧版本分支。*\n*   **硬件建议**: 推荐使用支持 CUDA 的 NVIDIA GPU 以获得最佳运行速度（CPU 亦可运行但较慢）。\n\n**前置依赖安装：**\n\n建议使用 `pip` 安装必要的 Python 依赖包。国内用户可使用清华源或阿里源加速下载：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision scipy pillow\n```\n\n## 安装步骤\n\n1.  **克隆代码仓库**\n\n    从 GitHub 拉取最新代码：\n\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle.git\n    cd FastPhotoStyle\n    ```\n\n2.  **验证环境**\n\n    确保当前目录下包含 `style_transfer.py` 等核心脚本，且 Python 能正确导入 `torch` 模块。\n\n    ```bash\n    python -c \"import torch; print(torch.__version__)\"\n    ```\n\n## 基本使用\n\nFastPhotoStyle 的核心功能是通过命令行脚本执行风格迁移。您需要准备两张图片：一张**内容图**（Content Photo）和一张**风格图**（Style Photo）。\n\n**最简单的使用示例：**\n\n假设您已将内容图命名为 `content.jpg`，风格图命名为 `style.jpg`，并放置在当前目录下。运行以下命令生成风格化后的图像 `output.png`：\n\n```bash\npython style_transfer.py --content content.jpg --style style.jpg --output output.png\n```\n\n**参数说明：**\n*   `--content`: 输入的内容图片路径。\n*   `--style`: 输入的风格图片路径。\n*   `--output`: 输出结果图片的保存路径。\n\n运行完成后，您可以在指定路径查看融合了风格图艺术特征且保持内容结构真实的输出图像。更多高级用法（如调整风格强度、多风格融合等）请参阅项目目录下的 `TUTORIAL.md` 文档。","一位独立游戏开发者需要为复古风格的冒险游戏快速生成大量具有统一油画质感的场景概念图，但团队中缺乏专业美术人员。\n\n### 没有 FastPhotoStyle 时\n- 设计师必须手动使用 Photoshop 对每一张参考照片进行滤镜调整和笔触绘制，单张图片耗时超过 2 小时。\n- 难以保证几十张场景图的画风高度一致，导致游戏视觉体验割裂，后期修正成本极高。\n- 传统风格迁移算法运行缓慢，生成一张高分辨率图片往往需要数分钟甚至更久，严重拖慢迭代节奏。\n- 生成的图像容易出现伪影或色彩失真，缺乏真实照片的质感，无法直接用于正式宣传素材。\n\n### 使用 FastPhotoStyle 后\n- 开发者只需提供一张内容原图和一张风格参考图，FastPhotoStyle 即可在秒级时间内自动完成风格迁移。\n- 通过固定同一张风格图，FastPhotoStyle 能确保所有生成的场景图拥有完全一致的油画笔触与色调，视觉统一性完美达成。\n- 得益于其闭式解算法的高效性，批量处理上百张高清素材仅需片刻，极大缩短了从构思到成品的周期。\n- 输出结果保留了原图的几何结构与光影细节，同时自然融合了艺术风格，画质达到出版级标准，无需二次修图。\n\nFastPhotoStyle 将原本需要专业美术数天才能完成的工作流压缩至几分钟，让小型团队也能以低成本实现电影级的视觉风格化生产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_FastPhotoStyle_2dd86615.png","NVIDIA","NVIDIA Corporation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA_7dcf6000.png","",null,"https:\u002F\u002Fnvidia.com","https:\u002F\u002Fgithub.com\u002FNVIDIA",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",96,{"name":87,"color":88,"percentage":89},"Shell","#89e051",2.5,{"name":91,"color":92,"percentage":93},"Dockerfile","#384d54",1.5,11183,1193,"2026-04-07T05:21:10","NOASSERTION","未说明（基于 PyTorch 通常建议 NVIDIA GPU，但文中未明确型号或显存要求）","未说明",{"notes":101,"python":102,"dependencies":105},"该工具发布于 2018 年，主要依赖较旧版本的 PyTorch (0.4.0)。README 中提到了针对 PyTorch 0.3.0 用户的旧版本分支。具体操作系统、GPU 型号及内存需求在提供的片段中未明确说明，需参考完整文档或源代码。",[103,104],"2.7","3.5",[106],"pytorch==0.4.0",[15],"2026-03-27T02:49:30.150509","2026-04-10T04:28:29.239352",[111,116,121,126,131,136,141],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},27158,"遇到 'UMFPACK_ERROR_out_of_memory' 错误或内存占用过大（超过 128GB）怎么办？","这个问题通常与 scikit-umfpack 求解器有关。最简单的解决方法是卸载该包：\n运行命令：`pip uninstall scikit-umfpack`\n卸载后，程序将使用默认的求解器，通常可以解决内存溢出问题。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F52",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},27159,"在使用标签图（label maps）进行风格迁移时，出现 'ValueError: total size of new array must be unchanged' 错误如何解决？","此错误通常由两个原因引起：\n1. 标签重叠问题：使用 labelme 工具时，未标记的像素会被自动标记为 '0'，导致掩码边界缺失。建议在绘制掩码时让不同区域的掩码有轻微重叠。\n2. 代码兼容性问题：尝试移除 `photo_wct.py` 文件第 82 行和第 83 行中的 `mode='RGB'` 参数。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F43",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},27160,"如何在 Docker 中正确挂载路径以运行 FastPhotoStyle？","使用 `-v` 参数将外部文件夹挂载到容器内部。格式为：`-v 本地路径:容器内路径`。\n例如：`$(pwd):\u002Ftmp` 会将当前目录挂载到容器内的 `\u002Ftmp` 目录。\n只要确保包含 FastPhotoStyle 文件的本地路径被挂载到容器内的任意空文件夹即可，命令示例：\n`docker run -v ANY_PATH_CONTAINING_YOUR_FastPhotoStyle:ANY_EMPTY_FOLDER_INSIDE_CONTAINER ...`","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F9",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},27161,"在 macOS 上运行时遇到 PyTorch 'zero-sized dimensions' 错误或脚本无法执行怎么办？","macOS 用户可能会遇到兼容性问题或依赖冲突。维护者曾通过回滚到之前的提交版本来临时修复此类问题。\n如果遇到 `RuntimeError: the given numpy array has zero-sized dimensions`，这可能与 PyTorch 版本（如 0.3）或 macOS 系统特性有关。建议检查是否使用了项目最新稳定版，或参考社区提供的 Binder 版本（https:\u002F\u002Fgithub.com\u002F4QuantOSS\u002FFastPhotoStyle）尝试在云端环境运行以避免本地配置问题。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F41",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},27162,"遇到 'CUDA out of memory' 错误如何处理？","显存不足通常是因为输入图片分辨率过高或 GPU 显存较小。\n1. 尝试降低输入图片的分辨率。\n2. 确保没有其他进程占用大量显存。\n3. 该项目对此类问题有专门讨论（参考 Issue #27），通常需要通过调整批次大小或优化模型加载方式来缓解，但在当前版本中主要建议缩小图片尺寸以适应显存限制。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F11",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},27163,"为什么我的运行速度比论文报告中慢很多（例如慢了 10 倍）？","运行速度受 GPU 型号和 CUDA 版本影响显著。\n1. 论文结果基于 Titan XP GPU 和 CUDA 9.1 环境。\n2. 如果使用较旧的 GPU（如 K40m）或较低版本的 CUDA（如 8.0），性能会大幅下降。\n3. 请检查输入图片的尺寸，较大的图片也会显著增加处理时间。升级硬件或使用匹配的 CUDA 版本是关键。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F19",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},27164,"有没有现成的 Dockerfile 或一键部署方案？","项目已支持 Docker 部署。\n1. 仓库中已包含可用的 Dockerfile。\n2. 社区还提供了一个适配 Binder 的版本（https:\u002F\u002Fgithub.com\u002F4QuantOSS\u002FFastPhotoStyle），你可以使用 `jupyter repo2docker` 工具基于该仓库自动生成 Docker 镜像，无需手动编写 Dockerfile。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FFastPhotoStyle\u002Fissues\u002F7",[147],{"id":148,"version":149,"summary_zh":78,"released_at":150},180283,"f33e07f","2018-07-25T18:17:18"]