[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Zardinality--WGAN-tensorflow":3,"tool-Zardinality--WGAN-tensorflow":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",143909,2,"2026-04-07T11:33:18",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":74,"owner_website":74,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":74,"difficulty_score":10,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":134},5150,"Zardinality\u002FWGAN-tensorflow","WGAN-tensorflow","a tensorflow implementation of WGAN","WGAN-tensorflow 是基于 TensorFlow 框架实现的 Wasserstein GAN（WGAN）开源项目，旨在解决传统生成对抗网络（GAN）在训练中常见的模式崩溃和梯度消失难题。通过引入地球移动距离（Wasserstein 距离）替代传统的 JS 散度，该工具显著提升了模型训练的稳定性，使生成的图像质量更加清晰可靠。\n\n该项目主要面向 AI 研究人员、深度学习开发者以及希望深入理解生成模型原理的技术爱好者。用户可以直接利用其提供的 Jupyter Notebook 脚本，在 MNIST 或 SVHN 数据集上快速复现论文结果，并通过 TensorBoard 直观监控训练过程。\n\n在技术实现上，WGAN-tensorflow 严格遵循原论文推荐的超参数设置，默认配置了判别器（Critic）与生成器的学习率及更新频率策略，以减少调参成本。代码不仅包含了基础的 MLP 版本，还尝试集成了改进版 WGAN 逻辑，并详细注释了损失函数的数学形式及其对称性原理，方便用户根据需求灵活调整。无论是用于学术实验验证，还是作为学习 GAN 进阶算法的教学案例，它都是一个轻量且实用的参考","WGAN-tensorflow 是基于 TensorFlow 框架实现的 Wasserstein GAN（WGAN）开源项目，旨在解决传统生成对抗网络（GAN）在训练中常见的模式崩溃和梯度消失难题。通过引入地球移动距离（Wasserstein 距离）替代传统的 JS 散度，该工具显著提升了模型训练的稳定性，使生成的图像质量更加清晰可靠。\n\n该项目主要面向 AI 研究人员、深度学习开发者以及希望深入理解生成模型原理的技术爱好者。用户可以直接利用其提供的 Jupyter Notebook 脚本，在 MNIST 或 SVHN 数据集上快速复现论文结果，并通过 TensorBoard 直观监控训练过程。\n\n在技术实现上，WGAN-tensorflow 严格遵循原论文推荐的超参数设置，默认配置了判别器（Critic）与生成器的学习率及更新频率策略，以减少调参成本。代码不仅包含了基础的 MLP 版本，还尝试集成了改进版 WGAN 逻辑，并详细注释了损失函数的数学形式及其对称性原理，方便用户根据需求灵活调整。无论是用于学术实验验证，还是作为学习 GAN 进阶算法的教学案例，它都是一个轻量且实用的参考实现。","# Wasserstein GAN\n\nThis is a tensorflow implementation of WGAN on mnist and SVHN.\n\n## Requirement\n\ntensorflow==1.0.0+\n\nnumpy\n\nmatplotlib\n\ncv2\n\n## Usage\n\nTrain: Use WGAN.ipynb, set the parameters in the second cell and choose the dataset you want to run on. You can use tensorboard to visualize the training. \n\nGeneration : Use generate_from_ckpt.ipynb, set  `ckpt_dir` in the second cell. Don't forget to change the dataset type accordingly.\n\n## Note\n\n1. All data will be downloaded automatically, the SVHN script is modified from [this](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fimproved-gan\u002Fblob\u002Fmaster\u002Fmnist_svhn_cifar10\u002Fsvhn_data.py).\n\n2. All parameters are set to the values the original paper recommends by default. `Diters`  represents the number of critic updates in one step, in [Original PyTorch version](https:\u002F\u002Fgithub.com\u002Fmartinarjovsky\u002FWassersteinGAN) it was set to 5 unless iterstep \u003C 25 or iterstep % 500 == 0 , I guess since the critic is free to fully optimized, it's reasonable to make more updates to critic at the beginning and every 500 steps, so I borrowed it without tuning. The learning rates for generator and critic are both set to 5e-5 , since during the training time the gradient norms are always relatively high(around 1e3), I suggest no drastic change on learning rates.\n\n3. MLP version could take longer time to generate sharp image.\n\n4. In this implementation, the critic loss is `tf.reduce_mean(fake_logit - true_logit)`, and generator loss is `tf.reduce_mean(-fake_logit)` . Actually, the whole system still works if you add a `-` before both of them, it doesn't matter. Recall that the critic loss in duality form is ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_bef5557c70e1.jpg), and the set![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_d4efa6f4f45f.jpg) is symmetric about the sign. Substitute $f$ with $-f$ gives us ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_ca47d3989fb5.jpg), the opposite number of original form. The original PyTorch implementation takes the second form, this implementation takes the first, both will work equally. You might want to add the `-` and try it out.\n\n5. Please set your device you want to run on in the code, search `tf.device` and change accordingly. It runs on gpu:0 by default.\n\n6. Inproved-WGAN is added, but somehow the gradient norm is close to 1, so the square-gradient normalizer doesn't work. Couldn't figure out why.   ​\n","# Wasserstein GAN\n\n这是在 MNIST 和 SVHN 数据集上实现的 WGAN 的 TensorFlow 版本。\n\n## 需求\n\ntensorflow==1.0.0+\n\nnumpy\n\nmatplotlib\n\ncv2\n\n## 使用方法\n\n训练：使用 `WGAN.ipynb`，在第二个单元格中设置参数，并选择要运行的数据集。可以使用 TensorBoard 来可视化训练过程。\n\n生成：使用 `generate_from_ckpt.ipynb`，在第二个单元格中设置 `ckpt_dir`。别忘了相应地更改数据集类型。\n\n## 注意事项\n\n1. 所有数据都会自动下载。SVHN 脚本是基于 [这个](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fimproved-gan\u002Fblob\u002Fmaster\u002Fmnist_svhn_cifar10\u002Fsvhn_data.py) 修改而来的。\n\n2. 所有超参数默认设置为原论文推荐的值。`Diters` 表示每一步中判别器更新的次数。在 [原始 PyTorch 版本](https:\u002F\u002Fgithub.com\u002Fmartinarjovsky\u002FWassersteinGAN) 中，除非迭代步数小于 25 或者能被 500 整除，否则 `Diters` 被设置为 5。我认为由于判别器可以充分优化，因此在训练初期和每隔 500 步多更新几次判别器是合理的，所以我直接沿用了这一设置，没有进行调整。生成器和判别器的学习率都设置为 5e-5。由于在训练过程中梯度范数一直较高（大约在 1e3 左右），建议不要大幅调整学习率。\n\n3. 使用 MLP 版本可能需要更长时间才能生成清晰的图像。\n\n4. 在这个实现中，判别器的损失函数是 `tf.reduce_mean(fake_logit - true_logit)`，而生成器的损失函数则是 `tf.reduce_mean(-fake_logit)`。实际上，如果在这两个损失函数前面都加上一个负号，整个系统仍然可以正常工作，这并不影响结果。回想一下，判别器的对偶形式损失是 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_bef5557c70e1.jpg)，其中集合 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_d4efa6f4f45f.jpg) 关于符号是对称的。将 $f$ 替换为 $-f$ 后，得到的是 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_readme_ca47d3989fb5.jpg)，即原形式的相反数。原始 PyTorch 实现采用的是第二种形式，而本实现采用的是第一种形式，两者效果相同。你可以尝试加上负号再试一试。\n\n5. 请在代码中设置你要运行的设备，搜索 `tf.device` 并相应修改。默认情况下，程序会在 gpu:0 上运行。\n\n6. 增加了 Improved-WGAN 的实现，但不知为何梯度范数接近 1，导致平方梯度归一化器不起作用。目前尚未弄清原因。","# WGAN-tensorflow 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **核心依赖**：\n    *   `tensorflow` (版本需 >= 1.0.0)\n    *   `numpy`\n    *   `matplotlib`\n    *   `cv2` (即 `opencv-python`)\n\n> **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003C项目仓库地址>\n    cd WGAN-tensorflow\n    ```\n    *(注：请替换 `\u003C项目仓库地址>` 为实际的 GitHub 仓库链接)*\n\n2.  **安装依赖库**\n    使用 pip 安装所需库（推荐国内镜像）：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.0.0 numpy matplotlib opencv-python\n    ```\n    *注意：本项目基于 TensorFlow 1.x 开发，若您的环境默认为 TF 2.x，可能需要创建虚拟环境并安装特定版本，或使用 `tf.compat.v1` 兼容模式。*\n\n## 基本使用\n\n本项目包含两个主要的 Jupyter Notebook 文件，分别用于训练和生成图像。\n\n### 1. 模型训练 (Train)\n\n使用 `WGAN.ipynb` 进行训练，支持 MNIST 和 SVHN 数据集（数据会自动下载）。\n\n*   **启动方式**：\n    ```bash\n    jupyter notebook WGAN.ipynb\n    ```\n*   **操作步骤**：\n    1.  打开 Notebook 后，找到**第二个单元格 (Cell)**。\n    2.  设置您想要的参数（如迭代次数、批大小等）。\n    3.  选择目标数据集 (`mnist` 或 `svhn`)。\n    4.  运行单元格开始训练。\n*   **可视化**：训练过程中可使用 TensorBoard 查看损失曲线和生成效果。\n\n### 2. 图像生成 (Generation)\n\n使用 `generate_from_ckpt.ipynb` 从检查点生成图像。\n\n*   **启动方式**：\n    ```bash\n    jupyter notebook generate_from_ckpt.ipynb\n    ```\n*   **操作步骤**：\n    1.  打开 Notebook，定位到**第二个单元格**。\n    2.  设置 `ckpt_dir` 变量，指向训练保存的检查点目录。\n    3.  **重要**：确保将数据集类型设置为与训练时一致。\n    4.  运行单元格即可生成图像。\n\n### 配置提示\n\n*   **GPU 设置**：代码默认在 `gpu:0` 上运行。如需更改设备，请在代码中搜索 `tf.device` 并修改相应配置。\n*   **参数说明**：默认参数已参照原论文设置。其中 `Diters` 表示每一步中判别器（Critic）的更新次数，默认逻辑借鉴了原始 PyTorch 实现（初始阶段及每 500 步增加更新频率），通常无需调整。","某计算机视觉团队正在开发基于 MNIST 和 SVHN 数据集的手写数字与街景字符生成系统，旨在解决传统生成模型训练不稳定的难题。\n\n### 没有 WGAN-tensorflow 时\n- **训练极易崩溃**：使用传统 GAN 架构时，生成器与判别器难以达到纳什均衡，常出现模式坍塌（Mode Collapse），导致生成的数字图像单一重复，缺乏多样性。\n- **损失函数失效**：训练过程中的 Loss 数值波动剧烈且无法反映真实生成质量，开发人员难以判断模型是正在收敛还是已经发散，调优如同“盲人摸象”。\n- **超参数敏感**：学习率稍作调整就会导致梯度爆炸或消失，需要耗费大量时间反复尝试不同的网络结构和优化策略，研发周期被严重拉长。\n- **图像模糊不清**：即便模型勉强收敛，生成的街景字符往往边缘模糊、细节丢失，无法满足后续数据增强或高精度识别的需求。\n\n### 使用 WGAN-tensorflow 后\n- **训练稳定可控**：借助 WGAN 的 Wasserstein 距离理论，模型彻底消除了模式坍塌问题，能够持续生成多样化且逼真的高清数字与字符图像。\n- **指标直观可信**：Critic 的损失值与生成样本的质量呈现良好的负相关性，开发人员可通过 TensorBoard 实时监控训练状态，精准把握收敛节点。\n- **默认配置高效**：直接复用官方推荐的超参数（如学习率 5e-5 和特定的 Critic 更新次数 Diters），无需繁琐的网格搜索即可在 GPU 上快速启动高质量训练。\n- **细节锐利清晰**：生成的 SVHN 街景数字边缘锐利、纹理自然，显著提升了合成数据的可用性，为下游任务提供了高质量的训练素材。\n\nWGAN-tensorflow 通过引入更稳健的数学原理，将生成对抗网络的训练从“玄学调参”转变为可预测、可监控的工程化流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZardinality_WGAN-tensorflow_ef948dfc.png","Zardinality",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FZardinality_77f91c9b.png","MSc. at University of Amsterdam","University of Amsterdam","Amsterdam","asxaqz2@gmail.com","https:\u002F\u002Fgithub.com\u002FZardinality",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",97.1,{"name":87,"color":88,"percentage":89},"Python","#3572A5",2.9,578,199,"2026-03-16T03:24:21","","默认在 gpu:0 运行，需手动在代码中配置 tf.device；未说明具体型号、显存大小及 CUDA 版本要求","未说明",{"notes":97,"python":95,"dependencies":98},"1. 数据集（MNIST 和 SVHN）将自动下载。2. 默认参数遵循原论文建议，生成器和判别器的学习率均为 5e-5。3. MLP 版本生成清晰图像可能需要较长时间。4. 代码中已包含 Improved-WGAN，但梯度范数接近 1 导致平方梯度归一化器无效。5. 需在代码中搜索 'tf.device' 以设置运行设备。",[99,100,101,102],"tensorflow==1.0.0+","numpy","matplotlib","cv2",[15,14],[105,106,107],"tensorflow","jupyter-notebook","gan","2026-03-27T02:49:30.150509","2026-04-08T01:01:41.409557",[111,116,120,124,129],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},23369,"找不到 'deform_conv_2d' 函数定义，应该使用什么替代？","该问题已在代码中修复。请确保在 `WGAN.ipynb` 中将 `is_svhn` 参数设置为正确的值。此外，生成器的通道数（generator's channel）也已修正，请拉取最新代码或手动检查相关部分。","https:\u002F\u002Fgithub.com\u002FZardinality\u002FWGAN-tensorflow\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":115},23370,"TensorFlow 1.0.1 版本中 'Uniform' API 用法不同导致报错，如何修改？","由于 TensorFlow 1.0.1 的 API 变化，需要将代码中的 `tf.contrib.distributions.Uniform(low=0., high=1.)` 修改为 `tf.contrib.distributions.Uniform(0., 1.)`（去掉参数名）。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":115},23371,"运行 'generate_from_ckpt.ipynb' 时出现形状不匹配错误（InvalidArgumentError: Assign requires shapes of both tensors to match），如何解决？","这是因为检查点文件与当前代码配置的输入通道数不一致（例如 SVHN 数据集是 3 通道，而代码默认可能是 1 通道）。请确保 `generate_from_ckpt.ipynb` 中的 `ckpt_dir` 路径与训练时使用的配置一致（例如将 `.\u002Fckpt_wgan_svhn` 改为 `.\u002Fckpt_wgan` 以匹配 `WGAN.ipynb` 中的设置），并确认 `is_svhn` 参数设置正确。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},23372,"WGAN 的损失函数应该是 `tf.reduce_mean(fake_logit - true_logit)` 还是 `tf.reduce_mean(self.d) - tf.reduce_mean(self.d_)`？哪种是正确的？","两种形式在数学上是等价的，具体取决于变量命名。在本项目中使用的 `tf.reduce_mean(fake_logit - true_logit)` 是正确的实现。如有疑问，请参考项目 README 文件中的第四条说明，那里有清晰的解释。","https:\u002F\u002Fgithub.com\u002FZardinality\u002FWGAN-tensorflow\u002Fissues\u002F10",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},23373,"权重裁剪代码 `clipped_var_c = [tf.assign(...)]` 是否真的改变了原始变量 `theta_c` 的值？","是的，它会改变原始变量的值。`tf.assign` 返回的是一个代表赋值操作的 Tensor，而不是一个新变量。当执行 `tf.tuple(clipped_var_c)` 或直接评估这些操作时，会实际运行所有的 assign_op，从而直接修改 `theta_c` 中变量的值使其被裁剪到指定范围。","https:\u002F\u002Fgithub.com\u002FZardinality\u002FWGAN-tensorflow\u002Fissues\u002F3",[]]