[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hkproj--pytorch-stable-diffusion":3,"tool-hkproj--pytorch-stable-diffusion":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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[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},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":77,"owner_email":77,"owner_twitter":73,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":139},8159,"hkproj\u002Fpytorch-stable-diffusion","pytorch-stable-diffusion","Stable Diffusion implemented from scratch in PyTorch","pytorch-stable-diffusion 是一个完全从零开始、基于 PyTorch 框架重新实现的 Stable Diffusion 项目。它不依赖现有的高级封装库，而是将这一强大的文生图模型的核心逻辑以原生代码形式呈现，旨在让用户深入理解扩散模型的内部运作机制。\n\n该项目主要解决了主流实现中因高度封装而导致的“黑盒”问题。通过提供透明、可读性极高的源代码，它让开发者能够清晰地追踪数据在 UNet、VAE 和文本编码器之间的流动过程，极大地降低了学习复杂生成式 AI 架构的门槛。同时，项目兼容 Hugging Face 上的官方权重及多种微调模型（如 InkPunk 或插画风格模型），确保了实用性与扩展性。\n\npytorch-stable-diffusion 特别适合 AI 研究人员、深度学习开发者以及希望深入掌握算法原理的学生使用。对于想要修改模型结构、尝试自定义训练策略或进行教学演示的用户而言，这是一个理想的起点。虽然普通设计师也能借此生成图像，但其核心价值更在于作为一份高质量的“教学参考代码”，帮助技术人群拆解并掌握 Stable Diffusion 的构建细节，而非仅仅","pytorch-stable-diffusion 是一个完全从零开始、基于 PyTorch 框架重新实现的 Stable Diffusion 项目。它不依赖现有的高级封装库，而是将这一强大的文生图模型的核心逻辑以原生代码形式呈现，旨在让用户深入理解扩散模型的内部运作机制。\n\n该项目主要解决了主流实现中因高度封装而导致的“黑盒”问题。通过提供透明、可读性极高的源代码，它让开发者能够清晰地追踪数据在 UNet、VAE 和文本编码器之间的流动过程，极大地降低了学习复杂生成式 AI 架构的门槛。同时，项目兼容 Hugging Face 上的官方权重及多种微调模型（如 InkPunk 或插画风格模型），确保了实用性与扩展性。\n\npytorch-stable-diffusion 特别适合 AI 研究人员、深度学习开发者以及希望深入掌握算法原理的学生使用。对于想要修改模型结构、尝试自定义训练策略或进行教学演示的用户而言，这是一个理想的起点。虽然普通设计师也能借此生成图像，但其核心价值更在于作为一份高质量的“教学参考代码”，帮助技术人群拆解并掌握 Stable Diffusion 的构建细节，而非仅仅作为一个开箱即用的绘图软件。","# pytorch-stable-diffusion\nPyTorch implementation of Stable Diffusion from scratch\n\n## Download weights and tokenizer files:\n\n1. Download `vocab.json` and `merges.txt` from https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain\u002Ftokenizer and save them in the `data` folder\n2. Download `v1-5-pruned-emaonly.ckpt` from https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain and save it in the `data` folder\n\n## Tested fine-tuned models:\n\nJust download the `ckpt` file from any fine-tuned SD (up to v1.5).\n\n1. InkPunk Diffusion: https:\u002F\u002Fhuggingface.co\u002FEnvvi\u002FInkpunk-Diffusion\u002Ftree\u002Fmain\n2. Illustration Diffusion (Hollie Mengert): https:\u002F\u002Fhuggingface.co\u002Fogkalu\u002FIllustration-Diffusion\u002Ftree\u002Fmain\n\n## Special thanks\n\nSpecial thanks to the following repositories:\n\n1. https:\u002F\u002Fgithub.com\u002FCompVis\u002Fstable-diffusion\u002F\n1. https:\u002F\u002Fgithub.com\u002Fdivamgupta\u002Fstable-diffusion-tensorflow\n1. https:\u002F\u002Fgithub.com\u002Fkjsman\u002Fstable-diffusion-pytorch\n1. https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers\u002F\n\n","# pytorch-stable-diffusion\n从零开始实现的 PyTorch 版 Stable Diffusion\n\n## 下载权重和分词器文件：\n\n1. 从 https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain 下载 `vocab.json` 和 `merges.txt`，并将其保存到 `data` 文件夹中。\n2. 从 https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain 下载 `v1-5-pruned-emaonly.ckpt`，并将其保存到 `data` 文件夹中。\n\n## 经过测试的微调模型：\n\n只需从任何微调过的 SD 模型（最高至 v1.5）下载 `ckpt` 文件即可。\n\n1. InkPunk Diffusion：https:\u002F\u002Fhuggingface.co\u002FEnvvi\u002FInkpunk-Diffusion\u002Ftree\u002Fmain\n2. Illustration Diffusion (Hollie Mengert)：https:\u002F\u002Fhuggingface.co\u002Fogkalu\u002FIllustration-Diffusion\u002Ftree\u002Fmain\n\n## 特别致谢\n\n特别感谢以下仓库：\n\n1. https:\u002F\u002Fgithub.com\u002FCompVis\u002Fstable-diffusion\u002F\n1. https:\u002F\u002Fgithub.com\u002Fdivamgupta\u002Fstable-diffusion-tensorflow\n1. https:\u002F\u002Fgithub.com\u002Fkjsman\u002Fstable-diffusion-pytorch\n1. https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusers\u002F","# pytorch-stable-diffusion 快速上手指南\n\n## 环境准备\n\n本工具基于 PyTorch 从头实现 Stable Diffusion，建议在 Linux 或 macOS 环境下运行（Windows 需配置相应 Python 环境）。\n\n**前置依赖：**\n- Python 3.8+\n- PyTorch (建议安装支持 CUDA 的版本以加速推理)\n- `pip` 包管理工具\n\n请确保已安装基础依赖库：\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install Pillow numpy tqdm\n```\n> **提示**：国内用户可使用清华镜像源加速安装：\n> ```bash\n> pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n本项目无需复杂的安装过程，克隆仓库并准备模型文件即可。\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkjsman\u002Fstable-diffusion-pytorch.git\n   cd stable-diffusion-pytorch\n   ```\n\n2. **下载权重与分词器文件**\n   在项目根目录下创建 `data` 文件夹，并下载以下文件存入其中：\n\n   - **分词器文件** (`vocab.json`, `merges.txt`)\n     下载地址：https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain\u002Ftokenizer\n     > **国内加速**：若 HuggingFace 访问缓慢，可使用镜像站 `hf-mirror.com` 替换域名下载，或使用国内云存储中转链接。\n\n   - **主模型权重** (`v1-5-pruned-emaonly.ckpt`)\n     下载地址：https:\u002F\u002Fhuggingface.co\u002Fstable-diffusion-v1-5\u002Fstable-diffusion-v1-5\u002Ftree\u002Fmain\n     将下载后的文件重命名为 `v1-5-pruned-emaonly.ckpt` 并放入 `data` 文件夹。\n\n   最终目录结构应如下：\n   ```text\n   stable-diffusion-pytorch\u002F\n   ├── data\u002F\n   │   ├── vocab.json\n   │   ├── merges.txt\n   │   └── v1-5-pruned-emaonly.ckpt\n   ├── ... (其他代码文件)\n   ```\n\n   *注：如需使用微调模型（如 InkPunk Diffusion 或 Illustration Diffusion），只需将对应的 `.ckpt` 文件下载至 `data` 文件夹即可。*\n\n## 基本使用\n\n完成上述准备后，即可运行脚本生成图像。以下为最简单的使用示例（假设项目包含标准的推理脚本 `sample.py` 或类似入口）：\n\n```bash\npython sample.py --prompt \"a cyberpunk cat with a neon sign that says 'pytorch'\" --ckpt_path data\u002Fv1-5-pruned-emaonly.ckpt\n```\n\n**参数说明：**\n- `--prompt`: 输入的文字描述（支持英文提示词）。\n- `--ckpt_path`: 指定刚才下载的模型权重路径。\n- `--output`: (可选) 指定生成图片的保存路径。\n\n生成完成后，图片将保存在当前目录或指定输出文件夹中。","一位独立游戏开发者需要为项目快速生成大量统一风格的 2D 角色立绘，但受限于预算无法购买商业绘图服务或高端显卡集群。\n\n### 没有 pytorch-stable-diffusion 时\n- 依赖封闭的黑盒 API 服务，每次生成需支付高昂费用，且无法针对特定画风进行深度定制。\n- 想要尝试社区热门的\"InkPunk\"或\"Hollie Mengert\"等微调模型时，因缺乏原生 PyTorch 支持而难以集成到现有训练管线中。\n- 代码库庞大且依赖复杂的环境配置，导致在调试模型结构或修改采样算法时如同“盲人摸象”，效率极低。\n- 无法完全掌控数据流向，担心核心创意素材上传至第三方云端存在泄露风险。\n\n### 使用 pytorch-stable-diffusion 后\n- 直接加载本地下载的微调模型权重（.ckpt），零成本无限次生成符合项目独特美术风格的高质量素材。\n- 得益于纯 PyTorch 从零实现的轻量架构，开发者能轻松读取源码，灵活调整注意力机制以优化角色细节表现。\n- 无需繁琐的环境依赖，直接在现有深度学习项目中导入运行，将新画风的测试迭代周期从数天缩短至几小时。\n- 所有推理过程均在本地完成，确保未公开的角色设计草图和数据绝对安全，无需担忧隐私泄露。\n\npytorch-stable-diffusion 通过提供透明、可控且易于集成的原生实现，让开发者能以最低门槛掌握生成式 AI 的核心能力，真正实现创意自由。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhkproj_pytorch-stable-diffusion_992cd4fd.png","hkproj","Umar Jamil","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhkproj_5c1013ff.jpg","每天努力",null,"umarjamil.org","https:\u002F\u002Fgithub.com\u002Fhkproj",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",84.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",15.3,1050,202,"2026-04-15T03:14:59","MIT","","未说明",{"notes":96,"python":94,"dependencies":97},"README 中未明确列出具体的运行环境需求（如操作系统、GPU 型号、内存大小、Python 版本及依赖库）。该项目是从头实现的 PyTorch 版 Stable Diffusion，用户需自行下载权重文件（约 5GB）和分词器文件至 data 文件夹。由于基于 PyTorch，通常建议配备 NVIDIA GPU 并使用较新的 PyTorch 版本，但具体配置需参考源码或自行测试。",[],[15,14],[100,101,102,103,104,105],"diffusion-models","latent-diffusion-models","paper-implementations","pytorch","pytorch-implementation","stable-diffusion","2026-03-27T02:49:30.150509","2026-04-17T08:25:11.303941",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},36502,"是否有用于训练模型的代码？","目前暂无计划编写专门的训练代码，因为本项目主要用于学习模型原理而非生产环境使用。如果您想进行微调或生产级训练，强烈建议使用 Hugging Face。若想学习 Stable Diffusion 的训练原理，可参考作者关于扩散模型（DDPM）的视频及代码仓库（https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-ddpm）。主要区别在于训练时需向 UNet 提供时间步（time step）和图像标题（caption）作为输入。对于从头训练模型，依然推荐直接使用开源库。","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F1",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},36503,"如何运行这个项目？","原始视频教程中已经展示了运行此代码的确切步骤，您可以观看该视频：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=ZBKpAp_6TGI","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F4",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},36504,"UNet 的输出具体是什么？是随机噪声还是特定时间步计算出的噪声？","UNet 的输入是 `图像 + 噪声 + 时间步`，其输出是 `噪声`（即预测添加到输入中的噪声量）。如果您想从头训练自己的 UNet，建议先训练一个标准的扩散模型（Diffusion Model）而非潜在扩散模型（Latent Diffusion Model）。可以参考作者在 DDPM 论文中的实现代码，该仓库包含完整的训练代码：https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-ddpm","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},36505,"如何使用多张 GPU 进行推理（Inference）？","在多 GPU 上进行推理并不容易实现。`torch.nn.DataParallel` 是专为多 GPU **训练**设计的，而非推理。作者计划制作关于如何使用多 GPU 训练的视频教程，敬请关注。目前单显存不足时，不建议强行通过 DataParallel 进行推理。","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F2",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},36506,"代码中发现拼写错误（如 casual_mask），该如何处理？","欢迎用户直接提交 Pull Request（PR）来修复此类拼写错误，维护者审核后会进行合并。","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F7",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},36507,"README 文档中存在重复链接的问题修复了吗？","是的，该问题已修复。感谢用户的反馈。","https:\u002F\u002Fgithub.com\u002Fhkproj\u002Fpytorch-stable-diffusion\u002Fissues\u002F10",[]]