[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-clvrai--SSGAN-Tensorflow":3,"tool-clvrai--SSGAN-Tensorflow":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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"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",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[14,15,13,61],"视频",{"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":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":145},7143,"clvrai\u002FSSGAN-Tensorflow","SSGAN-Tensorflow","A Tensorflow implementation of Semi-supervised Learning Generative Adversarial Networks (NIPS 2016: Improved Techniques for Training GANs).","SSGAN-Tensorflow 是一个基于 TensorFlow 框架实现的半监督学习生成对抗网络（Semi-supervised GAN）开源项目，复现了 NIPS 2016 年关于改进 GAN 训练技术的经典论文。它主要解决在标注数据稀缺场景下，如何利用大量未标注数据提升图像分类准确率的问题。\n\n其核心创新在于“一网两用”：将分类器与判别器合二为一。该网络不仅能区分真实图像与生成图像，还能对真实图像进行具体的类别判定。通过引入生成器产生的样本作为第\"n+1\"类，模型在联合优化监督损失与对抗损失的过程中，有效增强了泛化能力，从而用更少的标注数据实现更好的分类效果。目前该项目已在 MNIST、SVHN 和 CIFAR-10 等主流数据集上完成验证。\n\nSSGAN-Tensorflow 非常适合 AI 研究人员、深度学习开发者以及高校学生使用。对于希望深入理解半监督学习机制、复现经典算法或寻找轻量级基线模型的技术人员来说，这是一个结构清晰、文档详尽的优质参考资源。需要注意的是，由于项目基于较早期的 TensorFlow 1.0 版本开发，使用者在部署时可能需要根据当前环境对代码进行适当","SSGAN-Tensorflow 是一个基于 TensorFlow 框架实现的半监督学习生成对抗网络（Semi-supervised GAN）开源项目，复现了 NIPS 2016 年关于改进 GAN 训练技术的经典论文。它主要解决在标注数据稀缺场景下，如何利用大量未标注数据提升图像分类准确率的问题。\n\n其核心创新在于“一网两用”：将分类器与判别器合二为一。该网络不仅能区分真实图像与生成图像，还能对真实图像进行具体的类别判定。通过引入生成器产生的样本作为第\"n+1\"类，模型在联合优化监督损失与对抗损失的过程中，有效增强了泛化能力，从而用更少的标注数据实现更好的分类效果。目前该项目已在 MNIST、SVHN 和 CIFAR-10 等主流数据集上完成验证。\n\nSSGAN-Tensorflow 非常适合 AI 研究人员、深度学习开发者以及高校学生使用。对于希望深入理解半监督学习机制、复现经典算法或寻找轻量级基线模型的技术人员来说，这是一个结构清晰、文档详尽的优质参考资源。需要注意的是，由于项目基于较早期的 TensorFlow 1.0 版本开发，使用者在部署时可能需要根据当前环境对代码进行适当的适配与调整。","# Semi-supervised learning GAN in Tensorflow\n\nAs part of the implementation series of [Joseph Lim's group at USC](http:\u002F\u002Fcsail.mit.edu\u002F~lim), our motivation is to accelerate (or sometimes delay) research in the AI community by promoting open-source projects. To this end, we implement state-of-the-art research papers, and publicly share them with concise reports. Please visit our [group github site](https:\u002F\u002Fgithub.com\u002Fgitlimlab) for other projects.\n\nThis project is implemented by [Shao-Hua Sun](http:\u002F\u002Fshaohua0116.github.io) and the codes have been reviewed by [Jiayuan Mao](https:\u002F\u002Fgithub.com\u002Fvacancy) before being published.\n\n## Descriptions\nThis project is a [Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002F) implementation of **Semi-supervised Learning Generative Adversarial Networks** proposed in the paper [Improved Techniques for Training GANs](http:\u002F\u002Farxiv.org\u002Fabs\u002F1606.03498). The intuition is exploiting the samples generated by GAN generators to boost the performance of image classification tasks by improving generalization.\n\nIn sum, **the main idea** is training a network playing both the roles of a *classifier* performing image classification task as well as a *discriminator* trained to distinguish generated samples produced by a *generator* from the real data. To be more specific, the discriminator\u002Fclassifier takes an image as input and classified it into *n+1* classes, where *n* is the number of classes of a classification task. True samples are classified into the first *n* classes and generated samples are classified into the *n+1*-th class, as shown in the figure below.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_794b309a46cd.png\" height=\"300\"\u002F>\n\nThe loss of this multi-task learning framework can be decomposed into the **supervised loss** \n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_08836881de02.png\" height=\"25\"\u002F>, \n\nand the **GAN loss** of a discriminator\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_9b23de2cdd14.png\" height=\"25\"\u002F>, \n\nDuring the training phase, we jointly minimize the total loss obtained by simply combining the two losses together.\n\nThe implemented model is trained and tested on three publicly available datasets: [MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F), [SVHN](http:\u002F\u002Fufldl.stanford.edu\u002Fhousenumbers\u002F), and [CIFAR-10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html).\n\nNote that this implementation only follows the main idea of the original paper while differing a lot in implementation details such as model architectures, hyperparameters, applied optimizer, etc. Also, some useful training tricks applied to this implementation are stated at the end of this README.\n\n\\*This code is still being developed and subject to change.\n\n## Prerequisites\n\n- Python 2.7 or Python 3.3+\n- [Tensorflow 1.0.0](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fr1.0)\n- [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n- [NumPy](http:\u002F\u002Fwww.numpy.org\u002F)\n\n## Usage\n\nDownload datasets with:\n```bash\n$ python download.py --dataset MNIST SVHN CIFAR10\n```\nTrain models with downloaded datasets:\n```bash\n$ python trainer.py --dataset MNIST\n$ python trainer.py --dataset SVHN\n$ python trainer.py --dataset CIFAR10\n```\nTest models with saved checkpoints:\n```bash\n$ python evaler.py --dataset MNIST --checkpoint ckpt_dir\n$ python evaler.py --dataset SVHN --checkpoint ckpt_dir\n$ python evaler.py --dataset CIFAR10 --checkpoint ckpt_dir\n```\nThe *ckpt_dir* should be like: ```train_dir\u002Fdefault-MNIST_lr_0.0001_update_G5_D1-20170101-194957\u002Fmodel-1001```\n\nTrain and test your own datasets:\n\n* Create a directory\n```bash\n$ mkdir datasets\u002FYOUR_DATASET\n```\n\n* Store your data as an h5py file datasets\u002FYOUR_DATASET\u002Fdata.hy and each data point contains\n    * 'image': has shape [h, w, c], where c is the number of channels (grayscale images: 1, color images: 3)\n    * 'label': represented as an one-hot vector\n* Maintain a list datasets\u002FYOUR_DATASET\u002Fid.txt listing ids of all data points\n* Modify trainer.py including args, data_info, etc.\n* Finally, train and test models:\n```bash\n$ python trainer.py --dataset YOUR_DATASET\n$ python evaler.py --dataset YOUR_DATASET\n```\n## Results\n\n### MNIST\n\n* Generated samples (100th epochs)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_d51b82323da1.png\" height=\"250\"\u002F>\n\n* First 40 epochs\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_1b79fa42aee8.gif\" height=\"250\"\u002F>\n\n### SVHN\n\n* Generated samples (100th epochs)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_284fed468d2a.png\" height=\"250\"\u002F>\n\n* First 160 epochs\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_c5cfceb55443.gif\" height=\"250\"\u002F>\n\n\n### CIFAR-10\n\n* Generated samples (1000th epochs)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7110aea2755c.png\" height=\"250\"\u002F>\n\n* First 200 epochs\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_d513f49d256a.gif\" height=\"250\"\u002F>\n\n## Training details\n\n### MNIST\n\n* The supervised loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_ebacdd0b3609.png\" height=\"200\"\u002F>\n\n* The loss of Discriminator\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_fa7781853852.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_63af5813461c.png\" height=\"200\"\u002F>\n\nD_loss (total loss)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7b0705156f0a.png\" height=\"200\"\u002F>\n\n* The loss of Generator\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_1be6b3b8b877.png\" height=\"200\"\u002F>\n\n* Classification accuracy\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7fe9c17ba48c.png\" height=\"200\"\u002F>\n\n### SVHN\n\n* The supervised loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_482069b3525d.png\" height=\"200\"\u002F>\n\n* The loss of Discriminator\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_b152afe13dc2.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_9fed10caec6a.png\" height=\"200\"\u002F>\n\nD_loss (total loss)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_cd350f3aa89a.png\" height=\"200\"\u002F>\n\n* The loss of Generator\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_ddb100ef27d1.png\" height=\"200\"\u002F>\n\n* Classification accuracy\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_8346d76c362a.png\" height=\"200\"\u002F>\n\n### CIFAR-10\n\n* The supervised loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_499fce822f00.png\" height=\"200\"\u002F>\n\n* The loss of Discriminator\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_06ee3bb01872.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_f85993cf08f7.png\" height=\"200\"\u002F>\n\nD_loss (total loss)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_a7bd8bfa6891.png\" height=\"200\"\u002F>\n\n* The loss of Generator\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_5722ad473e37.png\" height=\"200\"\u002F>\n\n* Classification accuracy\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_df0b317d06ff.png\" height=\"200\"\u002F>\n\n## Training tricks\n\n* To avoid the fast convergence of the discriminator network\n    * The generator network is updated more frequently.\n    * Higher learning rate is applied to the training of the generator.\n* One-sided label smoothing is applied to the positive labels.\n* Gradient clipping trick is applied to stablize training\n* Reconstruction loss with an annealed weight is applied as an auxiliary loss to help the generator get rid of the initial local minimum.\n* Utilize [Adam](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6980) optimizer with higher momentum.\n* Please refer to the codes for more details.\n\n## Related works\n* [Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06390) by Springenberg\n* [Semi-Supervised Learning with Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.01583) by Odena\n* [Good Semi-supervised Learning that Requires a Bad GAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.09783) by Dai *et. al.*\n* My implementation of [Deep Convolutional Generative Adversarial Networks](https:\u002F\u002Fgithub.com\u002Fshaohua0116\u002FDCGAN-Tensorflow) in Tensorflow\n* The architecture diagram is modified from the one drawn in [Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06434)\n\n## Acknowledgement\n\nPart of codes is from an unpublished project with [Jongwook Choi](https:\u002F\u002Fgithub.com\u002Fwookayin)\n","# TensorFlow 中的半监督学习 GAN\n\n作为 [南加州大学 Joseph Lim 小组](http:\u002F\u002Fcsail.mit.edu\u002F~lim) 实现系列的一部分，我们的初衷是通过推广开源项目来加速（或有时延缓）人工智能社区的研究进展。为此，我们实现了最前沿的研究论文，并以简洁的报告形式公开分享。更多项目请访问我们的 [小组 GitHub 网站](https:\u002F\u002Fgithub.com\u002Fgitlimlab)。\n\n本项目由 [Sun Shao-Hua](http:\u002F\u002Fshaohua0116.github.io) 实现，代码在发布前已由 [Mao Jiayuan](https:\u002F\u002Fgithub.com\u002Fvacancy) 审核。\n\n## 说明\n本项目是基于 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 对论文 [Improved Techniques for Training GANs](http:\u002F\u002Farxiv.org\u002Fabs\u002F1606.03498) 中提出的 **半监督学习生成对抗网络** 的实现。其核心思想是利用 GAN 生成器生成的样本，通过提升模型的泛化能力来增强图像分类任务的性能。\n\n简而言之，**主要思路** 是训练一个同时充当 *分类器* 和 *判别器* 的网络：分类器负责执行图像分类任务，而判别器则用于区分由 *生成器* 生成的样本与真实数据。具体来说，判别器\u002F分类器接收一张图像作为输入，并将其分类为 *n+1* 类，其中 *n* 是分类任务的类别数。真实样本被归入前 *n* 类，而生成样本则被归入第 *n+1* 类，如图所示。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_794b309a46cd.png\" height=\"300\"\u002F>\n\n该多任务学习框架的损失可以分解为 **监督损失**\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_08836881de02.png\" height=\"25\"\u002F，\n\n以及判别器的 **GAN 损失**\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_9b23de2cdd14.png\" height=\"25\"\u002F。\n\n在训练过程中，我们通过简单地将这两种损失相加来联合最小化总损失。\n\n所实现的模型在三个公开可用的数据集上进行了训练和测试：[MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F)、[SVHN](http:\u002F\u002Fufldl.stanford.edu\u002Fhousenumbers\u002F) 和 [CIFAR-10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。\n\n需要注意的是，本实现仅遵循了原始论文的主要思想，但在模型架构、超参数、优化器等实现细节上存在较大差异。此外，本 README 最后还列出了一些对本次实现有用的训练技巧。\n\n\\*此代码仍在开发中，可能会发生变更。\n\n## 先决条件\n\n- Python 2.7 或 Python 3.3+\n- [TensorFlow 1.0.0](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fr1.0)\n- [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n- [NumPy](http:\u002F\u002Fwww.numpy.org\u002F)\n\n## 使用方法\n\n下载数据集：\n```bash\n$ python download.py --dataset MNIST SVHN CIFAR10\n```\n\n使用下载的数据集训练模型：\n```bash\n$ python trainer.py --dataset MNIST\n$ python trainer.py --dataset SVHN\n$ python trainer.py --dataset CIFAR10\n```\n\n使用保存的检查点测试模型：\n```bash\n$ python evaler.py --dataset MNIST --checkpoint ckpt_dir\n$ python evaler.py --dataset SVHN --checkpoint ckpt_dir\n$ python evaler.py --dataset CIFAR10 --checkpoint ckpt_dir\n```\n\n其中 *ckpt_dir* 的格式应为：```train_dir\u002Fdefault-MNIST_lr_0.0001_update_G5_D1-20170101-194957\u002Fmodel-1001```\n\n训练和测试您自己的数据集：\n\n* 创建目录\n```bash\n$ mkdir datasets\u002FYOUR_DATASET\n```\n\n* 将您的数据存储为 h5py 文件 datasets\u002FYOUR_DATASET\u002Fdata.hy，每个数据点包含：\n    * 'image'：形状为 [h, w, c]，其中 c 是通道数（灰度图像：1，彩色图像：3）\n    * 'label'：以 one-hot 向量表示\n* 维护一个列表 datasets\u002FYOUR_DATASET\u002Fid.txt，列出所有数据点的 ID\n* 修改 trainer.py，包括参数、数据信息等\n* 最后，训练和测试模型：\n```bash\n$ python trainer.py --dataset YOUR_DATASET\n$ python evaler.py --dataset YOUR_DATASET\n```\n\n## 结果\n\n### MNIST\n\n* 生成的样本（第 100 轮）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_d51b82323da1.png\" height=\"250\"\u002F>\n\n* 前 40 轮\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_1b79fa42aee8.gif\" height=\"250\"\u002F>\n\n### SVHN\n\n* 生成的样本（第 100 轮）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_284fed468d2a.png\" height=\"250\"\u002F>\n\n* 前 160 轮\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_c5cfceb55443.gif\" height=\"250\"\u002F>\n\n### CIFAR-10\n\n* 生成的样本（第 1000 轮）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7110aea2755c.png\" height=\"250\"\u002F>\n\n* 前 200 轮\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_d513f49d256a.gif\" height=\"250\"\u002F>\n\n## 训练细节\n\n### MNIST\n\n* 监督损失\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_ebacdd0b3609.png\" height=\"200\"\u002F>\n\n* 判别器的损失\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_fa7781853852.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_63af5813461c.png\" height=\"200\"\u002F>\n\nD_loss（总损失）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7b0705156f0a.png\" height=\"200\"\u002F>\n\n* 生成器的损失\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_1be6b3b8b877.png\" height=\"200\"\u002F>\n\n* 分类准确率\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_7fe9c17ba48c.png\" height=\"200\"\u002F>\n\n### SVHN\n\n* 监督损失\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_482069b3525d.png\" height=\"200\"\u002F>\n\n* 判别器的损失\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_b152afe13dc2.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_9fed10caec6a.png\" height=\"200\"\u002F>\n\nD_loss（总损失）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_cd350f3aa89a.png\" height=\"200\"\u002F>\n\n* 生成器的损失\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_ddb100ef27d1.png\" height=\"200\"\u002F>\n\n* 分类准确率\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_8346d76c362a.png\" height=\"200\"\u002F>\n\n### CIFAR-10\n\n* 监督损失\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_499fce822f00.png\" height=\"200\"\u002F>\n\n* 判别器的损失\n\nD_loss_real\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_06ee3bb01872.png\" height=\"200\"\u002F>\n\nD_loss_fake\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_f85993cf08f7.png\" height=\"200\"\u002F>\n\nD_loss（总损失）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_a7bd8bfa6891.png\" height=\"200\"\u002F>\n\n* 生成器的损失\n\nG_loss\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_5722ad473e37.png\" height=\"200\"\u002F>\n\n* 分类准确率\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_readme_df0b317d06ff.png\" height=\"200\"\u002F>\n\n## 训练技巧\n\n* 为了避免判别器网络过快收敛：\n    * 生成器网络更新频率更高。\n    * 为生成器的训练采用更高的学习率。\n* 对正标签应用单侧标签平滑。\n* 使用梯度裁剪技巧以稳定训练。\n* 应用带有退火权重的重建损失作为辅助损失，帮助生成器摆脱初始局部最小值。\n* 使用具有较高动量的 [Adam](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6980) 优化器。\n* 更多细节请参阅代码。\n\n## 相关工作\n* Springenberg 的 [基于分类生成对抗网络的无监督与半监督学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06390)\n* Odena 的 [基于生成对抗网络的半监督学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.01583)\n* Dai 等人的 [好的半监督学习需要一个糟糕的 GAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.09783)\n* 我在 TensorFlow 中实现的 [深度卷积生成对抗网络](https:\u002F\u002Fgithub.com\u002Fshaohua0116\u002FDCGAN-Tensorflow)\n* 架构图改编自 [基于深度卷积生成对抗网络的无监督表示学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06434) 中绘制的图\n\n## 致谢\n\n部分代码来自与 [Jongwook Choi](https:\u002F\u002Fgithub.com\u002Fwookayin) 合作的一个未发表项目。","# SSGAN-Tensorflow 快速上手指南\n\nSSGAN-Tensorflow 是基于 TensorFlow 实现的半监督学习生成对抗网络（Semi-supervised Learning GAN）。该模型利用 GAN 生成的样本来提升图像分类任务的泛化能力，核心思想是训练一个同时充当“分类器”和“判别器”的网络。\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\n*   **Python 版本**: Python 2.7 或 Python 3.3+\n*   **核心依赖**:\n    *   TensorFlow 1.0.0 (注意：本项目基于较旧的 TF 1.x 版本)\n    *   SciPy\n    *   NumPy\n\n**安装依赖命令：**\n\n```bash\npip install tensorflow==1.0.0 scipy numpy\n```\n\n> **提示**：由于 TensorFlow 1.0.0 版本较老，建议使用虚拟环境（如 `venv` 或 `conda`）进行隔离安装，以避免与现有项目冲突。国内用户可使用清华源加速安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.0.0 scipy numpy`\n\n## 安装步骤\n\n本项目无需复杂的编译安装过程，只需克隆代码库并下载数据集即可。\n\n1.  **获取代码**\n    将项目克隆到本地（假设您已获取源码仓库地址，若直接从文件使用可跳过此步）：\n    ```bash\n    git clone \u003Crepository_url>\n    cd SSGAN-Tensorflow\n    ```\n\n2.  **下载数据集**\n    运行脚本自动下载 MNIST、SVHN 和 CIFAR-10 数据集：\n    ```bash\n    python download.py --dataset MNIST SVHN CIFAR10\n    ```\n\n## 基本使用\n\n### 1. 训练模型\n\n使用下载的默认数据集进行训练。以下以 **MNIST** 为例：\n\n```bash\npython trainer.py --dataset MNIST\n```\n\n如需训练其他数据集，替换参数即可：\n```bash\npython trainer.py --dataset SVHN\npython trainer.py --dataset CIFAR10\n```\n\n### 2. 测试\u002F评估模型\n\n训练完成后，使用保存的检查点（checkpoint）进行评估。请将 `ckpt_dir` 替换为实际的模型路径（通常位于 `train_dir` 下）：\n\n```bash\npython evaler.py --dataset MNIST --checkpoint train_dir\u002Fdefault-MNIST_lr_0.0001_update_G5_D1-20170101-194957\u002Fmodel-1001\n```\n\n### 3. 使用自定义数据集\n\n如果您想用自己的数据进行半监督学习训练，请按以下步骤操作：\n\n1.  **创建目录**：\n    ```bash\n    mkdir datasets\u002FYOUR_DATASET\n    ```\n\n2.  **准备数据文件**：\n    *   将数据保存为 `datasets\u002FYOUR_DATASET\u002Fdata.h5` (h5py 格式)。\n    *   每个数据点需包含：\n        *   `'image'`: 形状为 `[h, w, c]` (灰度图 c=1, 彩色图 c=3)。\n        *   `'label'`: one-hot 向量格式。\n    *   创建 `datasets\u002FYOUR_DATASET\u002Fid.txt`，列出所有数据点的 ID。\n\n3.  **修改代码**：\n    编辑 `trainer.py`，更新 `args` 和 `data_info` 等配置以适配新数据集。\n\n4.  **运行训练与测试**：\n    ```bash\n    python trainer.py --dataset YOUR_DATASET\n    python evaler.py --dataset YOUR_DATASET\n    ```\n\n---\n**注意**：本实现遵循原论文的核心思想，但在模型架构、超参数和优化器等细节上有所调整。训练过程中应用了标签平滑、梯度裁剪及辅助重建损失等技巧以稳定训练。","某医疗影像初创团队正在开发肺炎 X 光片辅助诊断系统，但面临医院标注数据稀缺且获取成本极高的困境。\n\n### 没有 SSGAN-Tensorflow 时\n- **数据依赖严重**：模型训练完全依赖少量已标注的确诊病例，导致分类器在复杂病灶上的泛化能力极差，容易过拟合。\n- **未标注数据浪费**：医院数据库中存有海量未标注的 X 光片，因缺乏有效手段利用这些“暗数据”，只能闲置。\n- **生成样本无用**：若尝试使用传统 GAN 生成合成图像，生成的样本仅用于视觉展示，无法反哺分类任务提升准确率。\n- **架构冗余复杂**：需分别搭建独立的图像生成网络和分类网络，不仅显存占用高，联合调优难度也极大。\n\n### 使用 SSGAN-Tensorflow 后\n- **半监督效能释放**：利用 SSGAN-Tensorflow 的核心机制，将海量未标注 X 光片纳入训练，显著提升了模型在少样本下的泛化性能。\n- **双重角色复用**：判别器同时承担“真假鉴别”与“病灶分类”双重任务，将生成样本自动归为第 N+1 类，巧妙利用生成数据增强分类边界。\n- **端到端联合优化**：通过单一框架同时最小化监督损失与 GAN 对抗损失，无需手动平衡两个独立模型的训练节奏，收敛更稳定。\n- **低成本快速验证**：直接调用内置的 MNIST\u002FCIFAR 适配接口快速迁移至医疗数据集，大幅缩短了从数据准备到模型评估的研发周期。\n\nSSGAN-Tensorflow 通过“一石二鸟”的半监督架构，成功将原本闲置的未标注数据转化为提升诊断精度的核心资产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fclvrai_SSGAN-Tensorflow_96ad4d71.png","clvrai","Cognitive Learning for Vision and Robotics (CLVR) lab @ KAIST","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fclvrai_91d998e9.png","Learning and Reasoning for Artificial Intelligence, especially focused on perception and action. Led by Professor Joseph J. Lim @ KAIST",null,"https:\u002F\u002Fclvrai.com\u002F","https:\u002F\u002Fgithub.com\u002Fclvrai",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,517,167,"2025-09-24T02:54:13","MIT",4,"","未说明",{"notes":94,"python":95,"dependencies":96},"该项目基于较旧的 TensorFlow 1.0.0 版本开发，代码仍在开发中并可能发生变化。若使用自定义数据集，需将数据预处理为 h5py 格式（包含 image 和 label 字段）并维护 id.txt 列表。训练技巧包括生成器更高频更新、标签平滑、梯度裁剪及使用高动量的 Adam 优化器。","2.7 或 3.3+",[97,98,99,100],"tensorflow==1.0.0","scipy","numpy","h5py",[15],[103,104,105,106],"ssgan","semi-supervised-learning","gan","generative-adversarial-network","2026-03-27T02:49:30.150509","2026-04-13T22:44:33.770443",[110,115,120,125,130,135,140],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},32092,"训练工作流中使用了多少标签数据？是否支持半监督学习（使用未标记数据）？","默认代码主要使用有标签数据进行训练。虽然论文《Improved Techniques for Training GANs》对比了不同数量标签样本的结果，但该仓库代码未直接提供设置未标记数据数量的选项。维护者指出，若要使用部分标记数据（半监督模式），需参考相关论文（如《UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS》）自行实现，因为该方法的详细设置虽有描述但官方未提供对应代码。后续更新中，用于训练生成器的图像数量可以在 `datasets\u002Fhdf5_loader.py` 文件的第 65 行附近进行修改。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},32093,"运行时报错 'can't create generator' 或卡在读取数据集阶段怎么办？","这通常是由于下载的数据集文件损坏或缓存问题导致的。解决方案是删除已下载的数据集文件夹，然后重新运行下载和训练命令。具体步骤如下：\n1. 删除旧的 dataset 文件夹。\n2. 在终端执行：`python download.py --dataset MNIST`（或其他数据集名称）。\n3. 接着执行：`python trainer.py --dataset MNIST`。\n许多用户反馈，即使配置相同（如 TensorFlow 1.0.0, Python 2.7），重新下载数据后问题即可解决。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F8",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},32094,"如何指定检查点（checkpoint）目录以恢复训练或加载模型？","加载模型时，需要指定完整的检查点路径，而不仅仅是文件名前缀。路径应包含具体的迭代步数文件。例如，不要只写 `model-1001`，而应使用完整路径格式：\n`train_dir\u002Fdefault-MNIST_lr_0.0001_update_G5_D1-20170612-194957\u002Fmodel-1001`\n请确保路径指向实际存在的 `.index` 或 `.data` 文件所在的具体位置。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F2",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},32095,"运行时报错 'ValueError: num_outputs should be int or long, got 11' 如何解决？","这是一个类型兼容性问题，常见于较新版本的 TensorFlow（如 1.4+）。错误原因是代码中传递的数字（如 11）未被自动识别为 int32 类型。虽然维护者可能已在后续版本修复，如果遇到此问题，需检查源码中定义输出维度的地方，强制将其转换为整数类型（int 或 tf.int32）。例如，将硬编码的数字包裹在 `int()` 函数中，或确保传入 TensorFlow 操作前的变量类型正确。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F14",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},32096,"生成的图片存储在哪里？如何在训练过程中可视化生成结果？","生成的图片通常不直接保存为独立文件，而是需要通过专门的脚本进行可视化。可以使用 `visualize_training.py` 脚本来生成训练过程中的样本图像或 GIF。命令示例如下：\n`python visualize_training.py --output_file visualized_sample --train_dir \u003C你的训练目录路径> --h 28 --w 28 --c 1 --n 8`\n其中 `\u003C你的训练目录路径>` 需替换为实际的 train_dir 路径（如 `train_dir\u002Fdefault-MNIST...`）。注意：如果遇到 `KeysView` 索引错误，可能是 Python 版本兼容性导致（Python 3 中 dict.keys() 返回视图对象），需修改源码将 `f.keys()[0]` 改为 `list(f.keys())[0]`。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F7",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},32097,"如何生成样本图片（How to generate samples）？","生成样本通常需要使用特定的命令并指定数据集。以 CIFAR10 为例，维护者建议使用的命令格式类似于：\n`python trainer.py --dataset CIFAR10` \n训练完成后，结合可视化工具（见上一条 FAQ）提取生成器输出的图像。具体的生成命令可能因版本不同略有差异，建议参考项目 README 中关于 'Sampling' 或 'Visualization' 的最新说明。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},32098,"代码中哪里可以设置用于训练的有标签和无标签图像的数量？","在早期版本中，代码缺乏直接设置未标记图像数量的选项。但在更新后的版本中，维护者指出可以通过修改 `datasets\u002Fhdf5_loader.py` 文件来调整用于训练生成器的图像数量。具体代码位置在该文件的第 65 行左右（GitHub 链接指向具体 commit）。用户需要手动编辑该文件以改变数据加载逻辑，从而支持不同比例的有标签\u002F无标签数据混合训练。","https:\u002F\u002Fgithub.com\u002Fclvrai\u002FSSGAN-Tensorflow\u002Fissues\u002F13",[]]