[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-carpedm20--DiscoGAN-pytorch":3,"tool-carpedm20--DiscoGAN-pytorch":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":80,"owner_twitter":80,"owner_website":80,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":10,"env_os":100,"env_gpu":101,"env_ram":102,"env_deps":103,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":140},2078,"carpedm20\u002FDiscoGAN-pytorch","DiscoGAN-pytorch","PyTorch implementation of \"Learning to Discover Cross-Domain Relations with Generative Adversarial Networks\"","DiscoGAN-pytorch 是一个基于 PyTorch 框架实现的开源项目，复现了“利用生成对抗网络发现跨域关系”的前沿研究。它的核心能力是在没有成对训练数据的情况下，自动学习并建立两个不同图像领域之间的映射关系。例如，它可以将鞋子的图片转换为手提包的风格，或者将建筑轮廓图还原为真实的 фасаде 照片，并能通过双向转换确保信息的一致性。\n\n这一工具主要解决了传统图像转换技术严重依赖“成对数据集”（即必须同时拥有同一场景的 A 类和 B 类图片）的痛点。在现实世界中，获取这种严格对应的数据往往成本高昂甚至不可能，而 DiscoGAN 只需两个独立的图像集合即可进行训练，极大地降低了数据准备门槛。\n\nDiscoGAN-pytorch 特别适合 AI 研究人员、深度学习开发者以及计算机视觉领域的学生使用。对于希望探索无监督学习、风格迁移或图像生成技术的专业人士，它提供了一个结构清晰、易于修改的代码基础。虽然普通用户难以直接运行代码，但设计师可借此理解技术边界以激发创意。其技术亮点在于独特的双向生成对抗架构，通过强制约束“从 A 到 B 再回到 A\"的重构误差，确保了跨域转换的准确性","DiscoGAN-pytorch 是一个基于 PyTorch 框架实现的开源项目，复现了“利用生成对抗网络发现跨域关系”的前沿研究。它的核心能力是在没有成对训练数据的情况下，自动学习并建立两个不同图像领域之间的映射关系。例如，它可以将鞋子的图片转换为手提包的风格，或者将建筑轮廓图还原为真实的 фасаде 照片，并能通过双向转换确保信息的一致性。\n\n这一工具主要解决了传统图像转换技术严重依赖“成对数据集”（即必须同时拥有同一场景的 A 类和 B 类图片）的痛点。在现实世界中，获取这种严格对应的数据往往成本高昂甚至不可能，而 DiscoGAN 只需两个独立的图像集合即可进行训练，极大地降低了数据准备门槛。\n\nDiscoGAN-pytorch 特别适合 AI 研究人员、深度学习开发者以及计算机视觉领域的学生使用。对于希望探索无监督学习、风格迁移或图像生成技术的专业人士，它提供了一个结构清晰、易于修改的代码基础。虽然普通用户难以直接运行代码，但设计师可借此理解技术边界以激发创意。其技术亮点在于独特的双向生成对抗架构，通过强制约束“从 A 到 B 再回到 A\"的重构误差，确保了跨域转换的准确性和逻辑连贯性，是研究跨域关系发现的优秀范例。","# DiscoGAN in PyTorch\n\nPyTorch implementation of [Learning to Discover Cross-Domain Relations with Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.05192).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_ae76c24abe01.png\" width=\"80%\">\n\n**\\* All samples in README.md are genearted by neural network except the first image for each row.**  \n\\* Network structure is slightly diffferent ([here](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fblob\u002Fmaster\u002Fmodels.py#L13-L32)) from the author's [code](https:\u002F\u002Fgithub.com\u002FSKTBrain\u002FDiscoGAN\u002Fblob\u002Fmaster\u002Fdiscogan\u002Fmodel.py#L69-L125).\n\n\n## Requirements\n\n- Python 2.7\n- [Pillow](https:\u002F\u002Fpillow.readthedocs.io\u002Fen\u002F4.0.x\u002F)\n- [tqdm](https:\u002F\u002Fgithub.com\u002Ftqdm\u002Ftqdm)\n- [PyTorch](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch)\n- [torch-vision](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision)\n\n\n## Usage\n\nFirst download datasets (from [pix2pix](https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix)) with:\n\n    $ bash .\u002Fdata\u002Fdownload_dataset.sh dataset_name\n\n- `facades`: 400 images from [CMP Facades dataset](http:\u002F\u002Fcmp.felk.cvut.cz\u002F~tylecr1\u002Ffacade\u002F).\n- `cityscapes`: 2975 images from the [Cityscapes training set](https:\u002F\u002Fwww.cityscapes-dataset.com\u002F).\n- `maps`: 1096 training images scraped from Google Maps\n- `edges2shoes`: 50k training images from [UT Zappos50K dataset](http:\u002F\u002Fvision.cs.utexas.edu\u002Fprojects\u002Ffinegrained\u002Futzap50k\u002F).\n- `edges2handbags`: 137K Amazon Handbag images from [iGAN project](https:\u002F\u002Fgithub.com\u002Fjunyanz\u002FiGAN).\n\nor you can use your own dataset by placing images like:\n\n    data\n    ├── YOUR_DATASET_NAME\n    │   ├── A\n    │   |   ├── xxx.jpg (name doesn't matter)\n    │   |   ├── yyy.jpg\n    │   |   └── ...\n    │   └── B\n    │       ├── zzz.jpg\n    │       ├── www.jpg\n    │       └── ...\n    └── download_dataset.sh\n\n**All images in each dataset should have same size** like using [imagemagick](https:\u002F\u002Fwww.imagemagick.org\u002Fscript\u002Findex.php):\n\n    # for Ubuntu\n    $ sudo apt-get install imagemagick\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FA\u002F*.jpg\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FB\u002F*.jpg\n\n    # for Mac\n    $ brew install imagemagick\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FA\u002F*.jpg\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FB\u002F*.jpg\n\n    # for scale and center crop\n    $ mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ..\u002FA\u002F*.jpg\n\nTo train a model:\n\n    $ python main.py --dataset=edges2shoes --num_gpu=1\n    $ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4\n\nTo test a model (use your `load_path`):\n\n    $ python main.py --dataset=edges2handbags --load_path=logs\u002Fedges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False\n\n\n## Results\n\n### 1. Toy dataset\n\nResult of samples from 2-dimensional Gaussian mixture models. [IPython notebook](.\u002Fnotebooks\u002FDiscoGAN.ipynb)\n\n**# iteration: 0**:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_f16d72fa0dcb.png\" width=\"30%\">\n\n**# iteration: 10000**:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b260edc7a5c0.png\" width=\"30%\">\n\n\n### 2. Shoes2handbags dataset\n\n**# iteration: 11200**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (shoe -> handbag -> shoe)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d3d04b3d4eeb.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_dc13d8436859.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9f1b5d1fe58d.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (handbag -> shoe -> handbag)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c34a9f3e94cf.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_2b39b50a683b.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c3bd183207ad.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b138845d74f1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_60d8787efc2d.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_de5a321a53d5.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_47f88fe9dc53.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_13eebf00cfe3.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_559f2c10a4df.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_fce0622248bd.png\" width=\"13%\">\n\n\n### 3. Edges2shoes dataset\n\n**# iteration: 9600**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (color -> sketch -> color)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_011e8208ebf8.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_20de95d9b231.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_4679e4fe46ed.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (sketch -> color -> sketch)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b74f6e61cdba.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_73c241e140f5.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_ab7457dbc5a7.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_82e1f2fc46e6.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_6bad303d0841.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b45e8cdeaf59.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_016a9c323194.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d2452101814d.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a8a2be7f71c1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_5e897cc9c97c.png\" width=\"13%\">\n\n\n### 4. Edges2handbags dataset\n\n**# iteration: 9500**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (color -> sketch -> color)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a760c925e3e1.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_fa023bd54bfd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9f6ca61bbb7a.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (sketch -> color -> sketch)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d35305d240dd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_1150de72ccd1.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_675406932940.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_21fd8f6c89ba.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_6d2bf66b4b35.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_bb88f3f6e7da.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_351fbd903f87.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_2c5541b05ee1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_90999a9300e8.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c5761bd8a5ae.png\" width=\"13%\">\n\n\n### 5. Cityscapes dataset\n\n**# iteration: 8350**:\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (image -> segmentation -> image)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_16da10192fc2.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_4b94274fc06c.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_7b2be65ca931.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (segmentation -> image -> segmentation)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_1569c1520540.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_45e5a7765397.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c507ee08de5a.png\" width=\"30%\">\n\n\n### 6. Map dataset\n\n**# iteration: 22200**:\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (image -> segmentation -> image)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b3522896ae48.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_bb55d5f7aa97.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_992cffb63ec8.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (segmentation -> image -> segmentation)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_95bb287fa0d3.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_908e6675439d.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9c2731a45083.png\" width=\"30%\">\n\n\n### 7. Facades dataset\n\nGeneration and reconstruction on dense segmentation dataset looks weird which are not included in the paper.  \nI guess a naive choice of `mean square error` loss for reconstruction need some change on this dataset.\n\n**# iteration: 19450**:\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))` (image -> segmentation -> image)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9b501a5ec935.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a4a39a2b803e.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a20fd140b1a9.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` (segmentation -> image -> segmentation)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_549cf25f7333.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_3aace6144ccd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_93faefb20ec3.png\" width=\"30%\">\n\n\n## Related works\n\n- [DCGAN-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDCGAN-tensorflow)\n- [BEGAN-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FBEGAN-tensorflow)\n- [simulated-unsupervised-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow)\n\n\n\n## Author\n\nTaehoon Kim \u002F [@carpedm20](http:\u002F\u002Fcarpedm20.github.io)\n","# PyTorch 中的 DiscoGAN\n\n[Learning to Discover Cross-Domain Relations with Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.05192) 的 PyTorch 实现。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_ae76c24abe01.png\" width=\"80%\">\n\n**\\* README.md 中的所有样本均由神经网络生成，除了每行的第一张图片。**  \n\\* 网络结构与作者的 [代码](https:\u002F\u002Fgithub.com\u002FSKTBrain\u002FDiscoGAN\u002Fblob\u002Fmaster\u002Fdiscogan\u002Fmodel.py#L69-L125) 有所不同（[此处](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fblob\u002Fmaster\u002Fmodels.py#L13-L32)）。\n\n\n## 需求\n\n- Python 2.7\n- [Pillow](https:\u002F\u002Fpillow.readthedocs.io\u002Fen\u002F4.0.x\u002F)\n- [tqdm](https:\u002F\u002Fgithub.com\u002Ftqdm\u002Ftqdm)\n- [PyTorch](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch)\n- [torch-vision](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision)\n\n\n## 使用方法\n\n首先下载数据集（来自 [pix2pix](https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix)），使用以下命令：\n\n    $ bash .\u002Fdata\u002Fdownload_dataset.sh dataset_name\n\n- `facades`: 来自 [CMP Facades 数据集](http:\u002F\u002Fcmp.felk.cvut.cz\u002F~tylecr1\u002Ffacade\u002F) 的 400 张图像。\n- `cityscapes`: 来自 [Cityscapes 训练集](https:\u002F\u002Fwww.cityscapes-dataset.com\u002F) 的 2975 张图像。\n- `maps`: 从 Google 地图抓取的 1096 张训练图像。\n- `edges2shoes`: 来自 [UT Zappos50K 数据集](http:\u002F\u002Fvision.cs.utexas.edu\u002Fprojects\u002Ffinegrained\u002Futzap50k\u002F) 的 5 万张训练图像。\n- `edges2handbags`: 来自 [iGAN 项目](https:\u002F\u002Fgithub.com\u002Fjunyanz\u002FiGAN) 的 13.7 万张亚马逊手提包图像。\n\n或者，您也可以使用自己的数据集，将图像放置如下：\n\n    data\n    ├── YOUR_DATASET_NAME\n    │   ├── A\n    │   |   ├── xxx.jpg (文件名无关紧要)\n    │   |   ├── yyy.jpg\n    │   |   └── ...\n    │   └── B\n    │       ├── zzz.jpg\n    │       ├── www.jpg\n    │       └── ...\n    └── download_dataset.sh\n\n**每个数据集中所有图像的尺寸应相同**，可以使用 [imagemagick](https:\u002F\u002Fwww.imagemagick.org\u002Fscript\u002Findex.php) 进行调整：\n\n    # 对于 Ubuntu\n    $ sudo apt-get install imagemagick\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FA\u002F*.jpg\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FB\u002F*.jpg\n\n    # 对于 Mac\n    $ brew install imagemagick\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FA\u002F*.jpg\n    $ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME\u002FB\u002F*.jpg\n\n    # 进行缩放并居中裁剪\n    $ mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ..\u002FA\u002F*.jpg\n\n训练模型时：\n\n    $ python main.py --dataset=edges2shoes --num_gpu=1\n    $ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4\n\n测试模型时（请使用您的 `load_path`）：\n\n    $ python main.py --dataset=edges2handbags --load_path=logs\u002Fedges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False\n\n\n## 结果\n\n### 1. 模拟数据集\n\n来自二维高斯混合模型的样本结果。[IPython 笔记本](.\u002Fnotebooks\u002FDiscoGAN.ipynb)\n\n**# 迭代：0**:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_f16d72fa0dcb.png\" width=\"30%\">\n\n**# 迭代：10000**:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b260edc7a5c0.png\" width=\"30%\">\n\n\n### 2. Shoes2handbags 数据集\n\n**# 迭代：11200**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（鞋子 -> 手提包 -> 鞋子）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d3d04b3d4eeb.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_dc13d8436859.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9f1b5d1fe58d.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（手提包 -> 鞋子 -> 手提包）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c34a9f3e94cf.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_2b39b50a683b.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c3bd183207ad.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b138845d74f1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_60d8787efc2d.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_de5a321a53d5.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_47f88fe9dc53.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_13eebf00cfe3.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_559f2c10a4df.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_fce0622248bd.png\" width=\"13%\">\n\n\n### 3. Edges2shoes 数据集\n\n**# 迭代：9600**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（颜色 -> 草图 -> 颜色）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_011e8208ebf8.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_20de95d9b231.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_4679e4fe46ed.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（草图 -> 颜色 -> 草图）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b74f6e61cdba.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_73c241e140f5.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_ab7457dbc5a7.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_82e1f2fc46e6.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_6bad303d0841.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b45e8cdeaf59.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_016a9c323194.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d2452101814d.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a8a2be7f71c1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_5e897cc9c97c.png\" width=\"13%\">\n\n\n### 4. Edges2handbags 数据集\n\n**# 迭代：9500**:\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（颜色 -> 草图 -> 颜色）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a760c925e3e1.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_fa023bd54bfd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9f6ca61bbb7a.png\" width=\"30%\">\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（草图 -> 颜色 -> 草图）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_d35305d240dd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_1150de72ccd1.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_675406932940.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))` -> `G_AB(G_BA(G_AB(x_A)))` -> `G_BA(G_AB(G_BA(G_AB(x_A))))` -> ...\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_21fd8f6c89ba.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_6d2bf66b4b35.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_bb88f3f6e7da.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_351fbd903f87.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_2c5541b05ee1.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_90999a9300e8.png\" width=\"13%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c5761bd8a5ae.png\" width=\"13%\">\n\n\n### 5. Cityscapes 数据集\n\n**# 迭代：8350**:\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（图像 -> 分割 -> 图像）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_16da10192fc2.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_4b94274fc06c.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_7b2be65ca931.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（分割 -> 图像 -> 分割）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_1569c1520540.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_45e5a7765397.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_c507ee08de5a.png\" width=\"30%\">\n\n### 6. 地图数据集\n\n**# 迭代次数：22200**：\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（图像 -> 分割 -> 图像）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_b3522896ae48.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_bb55d5f7aa97.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_992cffb63ec8.png\" width=\"30%\">\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（分割 -> 图像 -> 分割）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_95bb287fa0d3.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_908e6675439d.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9c2731a45083.png\" width=\"30%\">\n\n\n### 7. 外墙数据集\n\n在密集分割数据集上的生成和重建效果显得有些奇怪，因此未收录于论文中。我推测，对于该数据集而言，仅采用简单的均方误差损失进行重建可能需要做出一些调整。\n\n**# 迭代次数：19450**：\n\n`x_B` -> `G_BA(x_B)` -> `G_AB(G_BA(x_B))`（图像 -> 分割 -> 图像）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_9b501a5ec935.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a4a39a2b803e.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_a20fd140b1a9.png\" width=\"30%>\n\n`x_A` -> `G_AB(x_A)` -> `G_BA(G_AB(x_A))`（分割 -> 图像 -> 分割）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_549cf25f7333.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_3aace6144ccd.png\" width=\"30%\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_readme_93faefb20ec3.png\" width=\"30%\">\n\n\n## 相关工作\n\n- [DCGAN-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDCGAN-tensorflow)\n- [BEGAN-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FBEGAN-tensorflow)\n- [simulated-unsupervised-tensorflow](https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002Fsimulated-unsupervised-tensorflow)\n\n\n\n## 作者\n\n金泰勋 \u002F [@carpedm20](http:\u002F\u002Fcarpedm20.github.io)","# DiscoGAN-pytorch 快速上手指南\n\nDiscoGAN 是一种基于生成对抗网络（GAN）的深度学习模型，用于发现两个不同领域（Domain）之间的映射关系（例如：鞋 \u003C-> 包，素描 \u003C-> 彩色图，地图 \u003C-> 卫星图等）。本项目是使用 PyTorch 实现的版本。\n\n## 1. 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 (注：原项目基于 Python 2.7，若需使用 Python 3 可能需要修改部分代码)\n*   **核心依赖**:\n    *   PyTorch\n    *   torchvision\n    *   Pillow (图像处理)\n    *   tqdm (进度条显示)\n\n**国内加速建议**：\n安装 PyTorch 时，推荐使用清华源或中科大源以加快下载速度。\n\n## 2. 安装步骤\n\n### 第一步：克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch.git\ncd DiscoGAN-pytorch\n```\n\n### 第二步：安装依赖库\n建议使用 `pip` 并指定国内镜像源安装所需库：\n\n```bash\n# 使用清华源安装依赖\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple Pillow tqdm\n\n# 安装 PyTorch 和 torchvision (请根据您的 CUDA 版本选择对应的命令)\n# 以下为 CPU 版本示例，如需 GPU 请访问 pytorch.org 获取对应命令\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision\n```\n\n## 3. 基本使用\n\n### 第一步：准备数据集\n项目内置了脚本可直接下载常用数据集（如 facades, cityscapes, maps, edges2shoes, edges2handbags）。\n\n**下载示例数据集 (以 edges2shoes 为例)：**\n```bash\nbash .\u002Fdata\u002Fdownload_dataset.sh edges2shoes\n```\n\n**使用自定义数据集：**\n如果您有自己的数据，请按以下目录结构存放，并确保所有图片尺寸一致（推荐调整为 256x256）：\n\n```text\ndata\n├── YOUR_DATASET_NAME\n│   ├── A\n│   |   ├── xxx.jpg\n│   |   └── ...\n│   └── B\n│       ├── zzz.jpg\n│       └── ...\n└── download_dataset.sh\n```\n\n**调整图片尺寸 (使用 ImageMagick)：**\n```bash\n# Ubuntu 安装\nsudo apt-get install imagemagick\n# Mac 安装\n# brew install imagemagick\n\n# 将 A 类和 B 类图片统一调整为 256x256\nmogrify -resize 256x256! -quality 100 -path data\u002FYOUR_DATASET_NAME\u002FA\u002F*.jpg\nmogrify -resize 256x256! -quality 100 -path data\u002FYOUR_DATASET_NAME\u002FB\u002F*.jpg\n```\n\n### 第二步：训练模型\n使用 `main.py` 启动训练。您可以指定数据集名称和使用的 GPU 数量。\n\n**单卡训练示例：**\n```bash\npython main.py --dataset=edges2shoes --num_gpu=1\n```\n\n**多卡训练示例：**\n```bash\npython main.py --dataset=YOUR_DATASET_NAME --num_gpu=4\n```\n\n### 第三步：测试\u002F生成结果\n训练完成后，可以使用保存的检查点（checkpoint）进行测试或图像生成。\n\n```bash\n# --load_path 指向训练生成的日志文件夹\n# --is_train=False 表示进入测试模式\n# --num_gpu=0 表示仅使用 CPU 进行推理（如有 GPU 可设为 1）\npython main.py --dataset=edges2handbags --load_path=logs\u002Fedges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False\n```\n\n生成的结果图像将保存在对应的日志目录中，展示从域 A 到域 B 的转换以及循环重建的效果。","一家时尚电商公司的算法团队正致力于解决商品图片风格不统一的问题，他们希望将手绘的设计草图自动转化为逼真的产品照片，以丰富营销素材库。\n\n### 没有 DiscoGAN-pytorch 时\n- **数据配对成本极高**：传统监督学习方法需要成对的“草图 - 实物”照片进行训练，但公司历史数据中两者往往分离，人工收集并对齐成千上万张配对图片耗时数月。\n- **跨域转换效果生硬**：尝试使用简单的图像滤镜或早期生成模型时，生成的实物图缺乏纹理细节，鞋子的皮革质感或手提包的缝线常常模糊不清，无法商用。\n- **双向一致性难以保证**：模型只能单向生成，无法验证生成结果的准确性，经常出现将圆头鞋错误生成为尖头包等结构严重失真的情况，导致后期修图工作量巨大。\n\n### 使用 DiscoGAN-pytorch 后\n- **无需配对数据即可训练**：利用 DiscoGAN-pytorch 的无监督特性，团队直接导入独立的草图库和实物图库，模型自动学习两个领域间的隐含映射关系，数据准备时间缩短为几天。\n- **生成高保真跨域图像**：基于生成对抗网络架构，工具成功将边缘线条还原为具有真实光影和材质的商品图，生成的鞋子与手袋细节逼真，可直接用于广告预览。\n- **循环一致性确保结构准确**：通过“草图→实物→草图”的双向循环约束机制，模型有效保留了原始设计的几何结构，大幅减少了形状扭曲错误，输出稳定性显著提升。\n\nDiscoGAN-pytorch 通过打破对配对数据的依赖并建立可靠的双向映射，让低成本、高质量的跨风格图像生成在工业界落地成为可能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarpedm20_DiscoGAN-pytorch_ae76c24a.png","carpedm20","Taehoon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcarpedm20_c71eb65e.jpg","ex @openai. a machine like human",null,"Seoul","https:\u002F\u002Fgithub.com\u002Fcarpedm20",[84,88,92],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",97.2,{"name":89,"color":90,"percentage":91},"Python","#3572A5",2.8,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0,1100,220,"2026-03-18T02:27:25","Apache-2.0","Linux, macOS","支持多 GPU 训练（通过 --num_gpu 参数指定），具体型号、显存大小及 CUDA 版本未在文档中明确说明，但需安装 PyTorch GPU 版本。","未说明",{"notes":104,"python":105,"dependencies":106},"1. 该项目基于较旧的 Python 2.7 开发，现代环境可能需要调整代码以兼容 Python 3。\n2. 数据集图片必须调整为统一尺寸（推荐 256x256），文档建议使用 ImageMagick 工具进行处理。\n3. 支持使用脚本自动下载预设数据集（如 facades, cityscapes 等），也支持自定义数据集，但需遵循特定的文件夹结构（data\u002FDATASET_NAME\u002FA 和 B）。\n4. 网络结构与原论文作者提供的代码略有不同。","2.7",[107,108,109,110],"Pillow","tqdm","PyTorch","torch-vision",[14,13],[113,114,115,116],"gan","generative-model","unsupervised-learning","pytorch","2026-03-27T02:49:30.150509","2026-04-06T05:37:34.804595",[120,125,130,135],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},9683,"使用自定义数据集时出现“张量尺寸不一致（inconsistent tensor sizes）”错误怎么办？","这是因为数据集中的图片尺寸不统一。需要使用工具将所有图片调整为相同尺寸。推荐使用 ImageMagick 工具，执行以下命令将图片调整为 256x256：\n`mogrify -resize 256x256! -quality 100 -path ..\u002FA *.jpg`\n如果需要缩放并居中裁剪，可以使用：\n`mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ..\u002FA *.jpg`","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fissues\u002F1",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},9684,"如何修改训练时的输入图像尺寸（默认是 64px 或 68px）？","可以在运行 `main.py` 时通过 `--input_scale_size` 参数指定尺寸。例如，设置为 128px：\n`python main.py --input_scale_size=128`\n注意：如果使用非 64px 的尺寸（特别是 2 的幂次方），可能需要在代码中调整网络层数（通常在 trainer.py 中），以匹配新的输入尺寸。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},9685,"加载模型状态字典时出现 'unexpected key \"module...\" in state_dict' 错误是什么原因？","这个错误通常是因为模型是使用多 GPU（DataParallel）训练的，导致保存的权重键名中包含了 \"module.\" 前缀，而在单 GPU 测试或加载时无法匹配。\n解决方法是在加载状态字典前，对键名进行处理，去掉 \"module.\" 前缀，或者确保测试环境与训练环境的 GPU 设置一致（即如果多用多卡训练，测试时也需启用多卡模式）。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},9686,"为什么在多 GPU（num_gpu > 1）模式下运行会报错 'function object has no attribute parameters'？","这是因为代码在调用 `data_parallel` 函数时，传入的是模型的一个方法（function）而不是模型实例（Module）。\n具体位于 `models.py` 文件中，`return nn.parallel.data_parallel(self.main, x, gpu_ids)` 这一行。`self.main` 是一个方法，没有 `.parameters()` 属性。\n修复方法是将传入 `data_parallel` 的对象改为模型实例本身（例如 `self` 或具体的子模块类实例），确保传入的是 `nn.Module` 对象而非函数。","https:\u002F\u002Fgithub.com\u002Fcarpedm20\u002FDiscoGAN-pytorch\u002Fissues\u002F4",[]]