[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-diegoalejogm--gans":3,"tool-diegoalejogm--gans":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":80,"owner_email":81,"owner_twitter":75,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":155},2935,"diegoalejogm\u002Fgans","gans","Generative Adversarial Networks implemented in PyTorch and Tensorflow","gans 是一个专注于生成对抗网络（GAN）的开源项目，提供了基于 PyTorch 和 TensorFlow 两大主流框架的多种实现代码。它旨在解决图像生成领域的学习与复现难题，帮助开发者从零开始理解并构建能够“创造”逼真图像的 AI 模型。\n\n该项目不仅涵盖了由 Goodfellow 等人提出的基础 Vanilla GAN 模型，用于在 MNIST 数据集上生成手写数字；还包含了更先进的深度卷积生成对抗网络（DCGAN），能够处理 CIFAR10 等复杂彩色图像数据。其独特的技术亮点在于提供了完整的训练前后对比示例，并配套了详尽的博客教程与可交互的 Notebook 笔记，让用户能直观看到模型从随机噪声到清晰图像的进化过程。\n\ngans 非常适合希望深入钻研深度学习原理的研究人员、需要快速搭建原型的 AI 开发者，以及对计算机视觉感兴趣的学生使用。通过这份结构清晰、双框架支持的代码库，用户可以轻松跨越理论到实践的鸿沟，高效掌握生成式人工智能的核心技术，而无需在环境配置或基础架构上耗费过多精力。","#  gans: Generative Adversarial Networks\nMultiple Generative Adversarial Networks (GANs) implemented in PyTorch and Tensorflow.\n\n[Check out this blog post](https:\u002F\u002Fmedium.com\u002Fai-society\u002Fgans-from-scratch-1-a-deep-introduction-with-code-in-pytorch-and-tensorflow-cb03cdcdba0f) for an introduction to Generative Networks. \n\n\n\u003Cimg src=\".images\u002Fdcgan_mnist.gif\" width=\"275\"> \u003Cimg src=\".images\u002Fdcgan_cifar.gif\" width=\"275\">\n\n## Vanilla GANs\nVanilla GANs found in this project were developed based on the original paper [Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1406.2661) by Goodfellow et al.\n\nThese are trained on the [MNIST dataset](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F), and learn to create hand-written digit images using a 1-Dimensional vector representation for 2D input images.\n- [PyTorch Notebook](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F1.%20Vanilla%20GAN%20PyTorch.ipynb)\n- [TensorFlow Notebook](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F1.%20Vanilla%20GAN%20TensorFlow.ipynb)\n\n\u003Cimg src=\".images\u002Fvanilla_mnist_pt_raw.png\" width=\"300\"> \u003Cimg src=\".images\u002Fvanilla_mnist_pt.png\" width=\"300\">\n\n__MNIST-like generated images before & after training.__\n\n\n## DCGANs\nDeep Convolutional Generative Adversarial Networks (DCGANs) in this repository were developed based on the original paper [Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06434) by Radford et al.\n\nThese are trained on the [CIFAR10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html) and the [MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F) datasets. They use 3 dimensional representations for images (length x height x colors) directly for training.\n\n- [TensorFlow CIFAR10 Notebook](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20TensorFlow.ipynb)\n- [PyTorch CIFAR10 Notebook](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20PyTorch.ipynb)\n- [PyTorch MNIST Notebook](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20PyTorch-MNIST.ipynb)\n\n\u003Cimg src=\".images\u002Fdcgan_cifar_pt_raw.png\" width=\"300\"> \u003Cimg src=\".images\u002Fdcgan_cifar_pt.png\" width=\"300\">\n\n__CIFAR-like generated images before & after training.__\n","# gans: 生成对抗网络\n在 PyTorch 和 TensorFlow 中实现的多个生成对抗网络 (GAN)。\n\n[请查看这篇博客文章](https:\u002F\u002Fmedium.com\u002Fai-society\u002Fgans-from-scratch-1-a-deep-introduction-with-code-in-pytorch-and-tensorflow-cb03cdcdba0f)，了解生成网络的入门介绍。\n\n\n\u003Cimg src=\".images\u002Fdcgan_mnist.gif\" width=\"275\"> \u003Cimg src=\".images\u002Fdcgan_cifar.gif\" width=\"275\">\n\n## 经典 GAN\n本项目中的经典 GAN 是基于 Goodfellow 等人发表的原始论文 [生成对抗网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1406.2661) 开发的。\n\n这些模型在 [MNIST 数据集](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F) 上进行训练，通过一维向量表示来学习生成手写数字图像，从而处理二维输入图像。\n- [PyTorch 笔记本](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F1.%20Vanilla%20GAN%20PyTorch.ipynb)\n- [TensorFlow 笔记本](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F1.%20Vanilla%20GAN%20TensorFlow.ipynb)\n\n\u003Cimg src=\".images\u002Fvanilla_mnist_pt_raw.png\" width=\"300\"> \u003Cimg src=\".images\u002Fvanilla_mnist_pt.png\" width=\"300\">\n\n__MNIST 类似生成图像在训练前后对比。__\n\n\n## DCGAN\n本仓库中的深度卷积生成对抗网络 (DCGAN) 是基于 Radford 等人发表的原始论文 [使用深度卷积生成对抗网络进行无监督表征学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.06434) 开发的。\n\n这些模型分别在 [CIFAR10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html) 和 [MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F) 数据集上进行训练。它们直接使用三维图像表示（长度 × 高度 × 颜色通道）进行训练。\n\n- [TensorFlow CIFAR10 笔记本](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20TensorFlow.ipynb)\n- [PyTorch CIFAR10 笔记本](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20PyTorch.ipynb)\n- [PyTorch MNIST 笔记本](https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fblob\u002Fmaster\u002F2.%20DC-GAN%20PyTorch-MNIST.ipynb)\n\n\u003Cimg src=\".images\u002Fdcgan_cifar_pt_raw.png\" width=\"300\"> \u003Cimg src=\".images\u002Fdcgan_cifar_pt.png\" width=\"300\">\n\n__CIFAR 类似生成图像在训练前后对比。__","# GANs 快速上手指南\n\n本指南基于 `gans` 开源项目，帮助开发者快速在 PyTorch 和 TensorFlow 框架下运行生成对抗网络（GANs），包括 Vanilla GAN 和 DCGAN 模型。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux, macOS 或 Windows\n- **Python 版本**: Python 3.6+\n- **硬件建议**: 推荐使用 NVIDIA GPU 以加速训练（需安装 CUDA），但 CPU 亦可运行示例代码。\n\n### 前置依赖\n请确保已安装以下核心深度学习框架之一或全部：\n- **PyTorch**\n- **TensorFlow**\n- **Jupyter Notebook** (用于运行提供的 `.ipynb` 教程)\n\n建议通过国内镜像源安装依赖，以提升下载速度。\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans.git\n   cd gans\n   ```\n\n2. **安装 Python 依赖**\n   \n   如果项目中包含 `requirements.txt`，请使用以下命令（推荐配置清华源）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n   若无需特定文件，可手动安装核心库：\n   ```bash\n   pip install torch torchvision tensorflow jupyter matplotlib numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **验证安装**\n   启动 Jupyter Notebook 检查环境：\n   ```bash\n   jupyter notebook\n   ```\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 提供分步教程。启动 Notebook 后，根据需求选择对应的笔记本文件运行。\n\n### 1. 运行 Vanilla GAN (基础生成对抗网络)\n该模型基于 MNIST 数据集生成手写数字图像。\n\n- **PyTorch 版本**:\n  打开并运行：`1. Vanilla GAN PyTorch.ipynb`\n  \n- **TensorFlow 版本**:\n  打开并运行：`1. Vanilla GAN TensorFlow.ipynb`\n\n> **说明**: 笔记本会自动下载 MNIST 数据集，执行训练循环，并展示训练前后的生成效果对比图。\n\n### 2. 运行 DCGAN (深度卷积生成对抗网络)\n该模型支持 CIFAR-10 和 MNIST 数据集，直接处理 3D 图像张量。\n\n- **CIFAR-10 数据集**:\n  - PyTorch: 运行 `2. DC-GAN PyTorch.ipynb`\n  - TensorFlow: 运行 `2. DC-GAN TensorFlow.ipynb`\n\n- **MNIST 数据集**:\n  - PyTorch: 运行 `2. DC-GAN PyTorch-MNIST.ipynb`\n\n> **说明**: 代码将演示如何构建卷积生成器和判别器，并在训练过程中保存生成的样本图像（如 `.images\u002Fdcgan_cifar_pt.png` 所示效果）。\n\n### 自定义实验\n您可以直接修改 Notebook 中的超参数（如 `learning_rate`, `batch_size`, `epochs`）或替换数据集路径，以探索不同配置下的生成效果。所有核心逻辑均封装在 Notebook 单元格中，便于调试和学习。","某初创游戏工作室的美术团队正面临为复古风格独立游戏快速生成大量独特像素素材的挑战，但受限于预算无法雇佣更多画师。\n\n### 没有 gans 时\n- 美术人员需手动绘制每一张像素贴图，耗时费力且难以保证风格高度统一，导致项目进度严重滞后。\n- 缺乏足够的训练数据来测试游戏引擎的渲染效果，只能使用少量重复素材凑数，无法评估大规模场景下的性能表现。\n- 尝试修改现有素材以创造变体时，人工修图容易破坏像素艺术的精致感，产生不自然的边缘或噪点。\n- 团队缺乏从零构建生成模型的专业知识，面对复杂的对抗网络数学原理和底层代码实现感到无从下手。\n\n### 使用 gans 后\n- 利用预置的 DCGAN 模型在 CIFAR10 或自定义数据集上训练，几分钟内即可自动生成成百上千张风格一致的高质量像素素材。\n- 通过调整潜在空间向量，轻松创造出无限多样的素材变体，丰富了游戏场景细节，同时大幅提升了测试数据的覆盖率。\n- 基于 PyTorch 和 TensorFlow 的现成 Notebook 示例，开发人员无需深究复杂公式，直接运行代码即可复现论文效果并微调参数。\n- 生成的图像质量随着训练迭代显著提升，从最初的模糊噪点进化为清晰可辨的游戏资产，完美契合复古美学需求。\n\ngans 将原本需要数周的人工绘制工作压缩至几小时的自动化流程，让小型团队也能拥有媲美大厂的素材生产能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdiegoalejogm_gans_b88b732a.png","diegoalejogm","Diego Gomez","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdiegoalejogm_f96027eb.jpg","Software Engineer, Machine Learning 👾\r\nGoogler 🎈.\r\n\r\nLinkedIn: diegoalejogm","Google","Paris, France",null,"diegogom.com","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",99,{"name":90,"color":91,"percentage":92},"Python","#3572A5",1,846,347,"2026-03-15T15:06:02","MIT","","未说明",{"notes":100,"python":98,"dependencies":101},"该项目包含基于 PyTorch 和 TensorFlow 实现的多种 GAN 模型（Vanilla GAN 和 DCGAN）。代码以 Jupyter Notebook 形式提供，分别针对 MNIST 和 CIFAR10 数据集。README 中未明确指定具体的操作系统、Python 版本、硬件配置或依赖库的具体版本号，用户需自行安装对应的 PyTorch 或 TensorFlow 环境以运行笔记。",[102,103],"PyTorch","TensorFlow",[13,14],[67,106,107,108,109,110,111],"dcgans","tensorflow","paper-implementations","pytorch","gans-collections","cyclegan","2026-03-27T02:49:30.150509","2026-04-06T05:35:35.413431",[115,120,125,130,135,140,145,150],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},13560,"内核重启后出现 'name \"Logger\" is not defined' 错误如何解决？","当 Jupyter 内核重启时，之前定义的变量和导入的模块会被清除。你需要重新执行导入语句 `from utils import Logger`（或者如果你重命名了文件，则从对应的文件名导入），确保在运行训练代码前再次定义 Logger 实例。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F22",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},13557,"如何使用自己的数据集（如 ImageNet）训练 Vanilla GAN 或 DCN 网络？","可以创建新的数据加载器（Data Loader）来载入自定义数据。对于 PyTorch，请使用官方提供的数据加载器教程并根据数据集调整参数（例如修改图像尺寸）。参考链接：https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdata_loading_tutorial.html","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F6",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},13558,"运行代码时出现 'ImportError: cannot import name Logger' 错误怎么办？","这是因为环境中安装了第三方的 `utils` 包（来自 PIP），与项目本地的 `utils.py` 文件冲突。解决方法有两种：1) 卸载第三方包：运行 `pip uninstall utils`；2) 将项目中的 `utils.py` 重命名为其他名字（例如 `foo.py`），然后修改导入语句为 `from foo import Logger`。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F2",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},13559,"遇到 'RuntimeError: output with shape [1, 28, 28] doesn't match the broadcast shape [3, 28, 28]' 形状不匹配错误如何修复？","需要修改 `mnist_data` 函数中的归一化参数，使其适配单通道灰度图。请将代码修改为：\n```python\ndef mnist_data():\n    compose = transforms.Compose([\n        transforms.ToTensor(), transforms.Normalize([0.5], [0.5])])\n    out_dir = '{}\u002Fdataset'.format(DATA_FOLDER)\n    return datasets.MNIST(root=out_dir, train=True, transform=compose, download=True)\n```\n注意 `Normalize` 的参数应为列表 `[0.5]` 而不是标量或三通道值。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F9",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},13561,"训练完成后，如何单独测试判别器（Discriminator）？","首先保存训练好的判别器模型（PyTorch 或 TensorFlow 均有相应的保存加载教程）。加载模型到变量（例如 `discriminator`）并准备好测试数据（例如 `fake_data`）后，直接调用 `discriminator(fake_data)` 即可获取判别结果。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},13562,"在 PyTorch 实现中遇到 'AttributeError: function object has no attribute Variable' 错误？","该问题通常由代码版本过旧或 API 变更引起。维护者已根据社区贡献修复了此问题，请拉取最新的代码仓库更新（参考 PR #5），确保使用的是修正后的 `utils.py` 及相关笔记本文件。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F4",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},13563,"代码中是否存在关于卷积层变量作用域或批归一化输入的笔误？","是的，在 TensorFlow 实现的判别器部分，`batch_normalization` 和 `leaky_relu` 曾错误地引用了上一层的输出 `conv3` 而非当前层 `conv4`。维护者已确认这是笔误并进行了修复，请确保使用最新代码，正确逻辑应是对 `conv4` 进行归一化和激活。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F7",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},13564,"PyTorch 版本中的噪声生成函数（noise function）在 CUDA 环境下是否有 Bug？","是的，原代码在判断 CUDA 可用时遗漏了括号。错误的写法是 `return n.cuda`，正确的写法应该是 `return n.cuda()`，以确保正确调用方法将张量移动到 GPU。该问题已在后续更新中修复。","https:\u002F\u002Fgithub.com\u002Fdiegoalejogm\u002Fgans\u002Fissues\u002F3",[]]