[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVlabs--MUNIT":3,"tool-NVlabs--MUNIT":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":10,"env_os":99,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":142},745,"NVlabs\u002FMUNIT","MUNIT","Multimodal Unsupervised Image-to-Image Translation","MUNIT（Multimodal Unsupervised Image-to-Image Translation）是一款专注于图像风格迁移与跨域转换的深度学习模型。它主要解决了传统图像翻译任务中高度依赖成对训练数据，且往往只能产生单一输出结果的局限性。借助无监督学习机制，MUNIT 无需一一对应的样本即可实现风格转换，例如将夏日街景变为冬日雪景，或将边缘草图还原为实物图像。\n\n其独特的技术亮点在于“多模态”生成能力，意味着针对同一张输入图片，它能创造出多种不同风格或细节的转换结果，显著提升了内容创作的多样性。这一特性使其在艺术创作辅助、数据增强及计算机视觉算法研究中极具价值。\n\nMUNIT 更适合具备 Python 编程基础的研究人员与开发者使用，特别是关注生成对抗网络（GAN）方向的团队。值得注意的是，原始代码库目前已停止维护。若计划在实际项目中应用，建议查阅 NVIDIA 后续推出的改进版实现（如 imaginaire 项目中的 munit 模块）。尽管代码已更新迭代，MUNIT 提出的核心架构思路仍为图像翻译领域提供了重要的理论参考与技术基石。","**The code base is no longer maintained.**\n\n**Please check here for an improved implementation of MUNIT: https:\u002F\u002Fgithub.com\u002FNVlabs\u002Fimaginaire\u002Ftree\u002Fmaster\u002Fprojects\u002Fmunit**\n\n[![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 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-green.svg)\n## MUNIT: Multimodal UNsupervised Image-to-image Translation\n\n### License\n\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\nFor commercial use, please consult [NVIDIA Research Inquiries](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002Finquiries\u002F).\n\n### Code usage\n\nPlease check out the [user manual page](USAGE.md).\n\n### Paper\n\n[Xun Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~xhuang\u002F), [Ming-Yu Liu](http:\u002F\u002Fmingyuliu.net\u002F), [Serge Belongie](https:\u002F\u002Fvision.cornell.edu\u002Fse3\u002Fpeople\u002Fserge-belongie\u002F), [Jan Kautz](http:\u002F\u002Fjankautz.com\u002F), \"[Multimodal Unsupervised Image-to-Image Translation](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.04732)\", ECCV 2018\n\n### Results Video\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_d93e4f4430ba.jpg)](https:\u002F\u002Fyoutu.be\u002Fab64TWzWn40)\n\n### Edges to Shoes\u002Fhandbags Translation\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_77a6e11625f6.jpg)\n\n### Animal Image Translation\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_ed2441ad3d9e.jpg)\n\n### Street Scene Translation\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_c4b2226daa7f.jpg)\n\n### Yosemite Summer to Winter Translation (HD)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_51db196d21ff.jpg)\n\n### Example-guided Image Translation\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_9158e23a7147.jpg)\n\n### Other Implementations\n\n[MUNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FMUNIT-Tensorflow) by [Junho Kim](https:\u002F\u002Fgithub.com\u002Ftaki0112)\n\n[MUNIT-keras](https:\u002F\u002Fgithub.com\u002Fshaoanlu\u002FMUNIT-keras) by [shaoanlu](https:\u002F\u002Fgithub.com\u002Fshaoanlu)\n\n### Citation\n\nIf you find this code useful for your research, please cite our paper:\n\n```\n@inproceedings{huang2018munit,\n  title={Multimodal Unsupervised Image-to-image Translation},\n  author={Huang, Xun and Liu, Ming-Yu and Belongie, Serge and Kautz, Jan},\n  booktitle={ECCV},\n  year={2018}\n}\n```\n\n\n","**代码库已不再维护。**\n\n**请在此处查看改进版的 MUNIT 实现：https:\u002F\u002Fgithub.com\u002FNVlabs\u002Fimaginaire\u002Ftree\u002Fmaster\u002Fprojects\u002Fmunit**\n\n[![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 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-green.svg)\n## MUNIT：多模态无监督图像到图像转换\n\n### 许可证\n\n版权所有 (C) 2018 NVIDIA 公司。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如需商业使用，请咨询 [NVIDIA 研究咨询](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002Finquiries\u002F)。\n\n### 代码使用\n\n请查看 [用户手册页面](USAGE.md)。\n\n### 论文\n\n[Xun Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~xhuang\u002F), [Ming-Yu Liu](http:\u002F\u002Fmingyuliu.net\u002F), [Serge Belongie](https:\u002F\u002Fvision.cornell.edu\u002Fse3\u002Fpeople\u002Fserge-belongie\u002F), [Jan Kautz](http:\u002F\u002Fjankautz.com\u002F), 《[多模态无监督图像到图像转换](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.04732)》, ECCV 2018\n\n### 结果视频\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_d93e4f4430ba.jpg)](https:\u002F\u002Fyoutu.be\u002Fab64TWzWn40)\n\n### 边缘到鞋子\u002F手提包转换\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_77a6e11625f6.jpg)\n\n### 动物图像转换\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_ed2441ad3d9e.jpg)\n\n### 街景转换\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_c4b2226daa7f.jpg)\n\n### 优胜美地夏季到冬季转换（高清）\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_51db196d21ff.jpg)\n\n### 示例引导的图像转换\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_readme_9158e23a7147.jpg)\n\n### 其他实现\n\n[MUNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FMUNIT-Tensorflow) 由 [Junho Kim](https:\u002F\u002Fgithub.com\u002Ftaki0112) 提供\n\n[MUNIT-keras](https:\u002F\u002Fgithub.com\u002Fshaoanlu\u002FMUNIT-keras) 由 [shaoanlu](https:\u002F\u002Fgithub.com\u002Fshaoanlu) 提供\n\n### 引用\n\n如果您发现此代码对您的研究有用，请引用我们的论文：\n\n```\n@inproceedings{huang2018munit,\n  title={Multimodal Unsupervised Image-to-image Translation},\n  author={Huang, Xun and Liu, Ming-Yu and Belongie, Serge and Kautz, Jan},\n  booktitle={ECCV},\n  year={2018}\n}\n```","# MUNIT 快速上手指南\n\n## ⚠️ 重要提示\n**该代码库已不再维护。**\n如果您需要更稳定、更新的实现，请优先参考 NVIDIA 官方改进版本：\n[https:\u002F\u002Fgithub.com\u002FNVlabs\u002Fimaginaire\u002Ftree\u002Fmaster\u002Fprojects\u002Fmunit](https:\u002F\u002Fgithub.com\u002FNVlabs\u002Fimaginaire\u002Ftree\u002Fmaster\u002Fprojects\u002Fmunit)\n\n---\n\n## 环境准备\n本工具基于 Python 开发，支持以下版本：\n- Python 2.7\n- Python 3.6\n\n**系统要求：**\n- 操作系统：Linux \u002F macOS \u002F Windows\n- 硬件：建议使用 GPU 加速（CUDA 环境）\n- 依赖框架：PyTorch（具体版本请参考项目 `requirements.txt`）\n\n---\n\n## 安装步骤\n\n### 1. 克隆代码库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxunhuang1995\u002FMUNIT.git\ncd MUNIT\n```\n\n### 2. 安装依赖\n推荐使用国内镜像源以加快下载速度：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*(注：若遇到依赖冲突，可尝试指定 PyTorch 版本)*\n\n---\n\n## 基本使用\n\n由于原始文档未包含详细命令，具体操作请参考项目内的用户手册：\n- **官方使用说明**：[USAGE.md](USAGE.md)\n\n通常流程包括数据预处理、模型训练及测试。示例脚本路径一般位于 `scripts\u002F` 目录下。\n\n### 示例运行（需根据 USAGE.md 调整参数）\n```bash\npython train.py --dataroot .\u002Fdatasets\u002Ftrain --name munit_train --dataset_mode single --batchSize 1 --gpu_ids 0\n```\n\n---\n\n## 许可证说明\n本项目采用 **CC BY-NC-SA 4.0** 协议。\n- **非商业用途**：可直接使用。\n- **商业用途**：请联系 NVIDIA Research Inquiries 获取授权。\n\n```text\nCopyright (C) 2018 NVIDIA Corporation. All rights reserved.\nLicensed under the CC BY-NC-SA 4.0 license.\n```","某时尚电商品牌的设计团队急需在两周内完成夏季服装目录向冬季主题的视觉转化，以便赶上年终大促，但团队无法承担重新搭建雪景棚拍的成本。\n\n### 没有 MUNIT 时\n- 必须重新组织线下拍摄或投入大量人力进行手工修图，导致项目周期严重滞后\n- 难以收集到同一模特、同一姿势下夏冬两季的真实配对数据用于传统深度学习训练\n- 即使有基础滤镜，生成的背景环境也过于生硬，缺乏自然的光影和纹理变化\n- 每次调整只能得到一种固定风格，无法为运营人员提供多样化的备选方案\n\n### 使用 MUNIT 后\n- 直接上传夏季产品原图，即可自动生成带有雪景氛围的冬季风格变体，无需实地重拍\n- 基于无监督学习框架，完全不需要成对的夏冬图像数据即可完成高质量风格迁移\n- 利用其多模态特性，单张输入能生成多种不同的冬季穿搭与背景组合，丰富营销素材库\n- 大幅降低了内容生产成本，让设计师能专注于创意策划而非重复性修图工作\n\nMUNIT 通过无监督的多模态翻译能力，解决了跨域图像生成中数据稀缺与风格单一的核心难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVlabs_MUNIT_77a6e116.jpg","NVlabs","NVIDIA Research Projects","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVlabs_fc20d641.jpg","",null,"http:\u002F\u002Fresearch.nvidia.com","https:\u002F\u002Fgithub.com\u002FNVlabs",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",96.2,{"name":88,"color":89,"percentage":90},"Shell","#89e051",2.9,{"name":92,"color":93,"percentage":94},"Dockerfile","#384d54",1,2708,485,"2026-03-25T11:08:11","NOASSERTION","未说明",{"notes":101,"python":102,"dependencies":103},"代码库已停止维护，建议查看 NVlabs\u002Fimaginaire 中的改进实现。许可证为 CC BY-NC-SA 4.0（非商业用途），商业用途需联系 NVIDIA Research。","2.7 \u002F 3.6",[99],[26,14,13],[106,107,108,109,110],"gan","deep-learning","pix2pix","image-translation","munit","2026-03-27T02:49:30.150509","2026-04-06T06:45:58.089437",[114,119,123,128,133,137],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},3168,"训练 10000 步后生成图像出现 NaN 填充是怎么回事？","这通常是因为数据集中包含大量近乎黑色的低标准差图片。解决方法是检查 DataLoader，删除这些异常图片。有用户在 10k 训练集中删除了约 8k 张低标准差图片后解决了问题。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FMUNIT\u002Fissues\u002F61",{"id":120,"question_zh":121,"answer_zh":122,"source_url":118},3169,"如何确定删除低质量图片的标准差阈值？","没有固定的阈值，建议直观地绘制数据分布图，根据经验删除明显异常的图片（如几乎全黑的图片）。只要删除了大部分低标准差图片，问题通常就能解决。",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},3170,"训练过程中 Loss 和参数变为 NaN 如何解决？","问题通常出在 DataLoader 上，它有时会返回全为 `1.` 的样本导致 NaN。如果调整学习率无效，请检查数据加载器采样的内容，或者尝试更换数据集。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FMUNIT\u002Fissues\u002F35",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},3171,"Windows 系统下运行训练脚本报 `multiprocessing` 错误怎么办？","确保将主程序的所有代码包裹在 `if __name__ == '__main__':` 块中。这是 Python 多进程在 Windows 上的标准要求，可以防止模块导入时意外执行代码。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FMUNIT\u002Fissues\u002F30",{"id":134,"question_zh":135,"answer_zh":136,"source_url":132},3172,"为什么 Python 脚本必须使用 `if __name__ == '__main__':` 保护？","当脚本直接运行时 `__name__` 为 `'__main__'`，但被其他模块导入时则为模块名。若代码不在该块内，导入时也会执行，在多进程环境下会导致代码重复执行、全局变量被意外修改或启动冲突。",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},3173,"使用预训练模型测试时生成图像质量不如预期怎么办？","这是因为随机采样风格码会导致结果波动，并非所有采样都会产生高质量图像。此外，某些类别（如德国牧羊犬、哈士奇）比萨摩耶更难生成，属于正常现象。","https:\u002F\u002Fgithub.com\u002FNVlabs\u002FMUNIT\u002Fissues\u002F55",[143],{"id":144,"version":145,"summary_zh":79,"released_at":146},102682,"munit_pytorch0.3","2018-07-27T17:20:07"]