[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--diffusion-models-class":3,"tool-huggingface--diffusion-models-class":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":79,"owner_email":79,"owner_twitter":75,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":135},2349,"huggingface\u002Fdiffusion-models-class","diffusion-models-class","Materials for the Hugging Face Diffusion Models Course","diffusion-models-class 是 Hugging Face 官方推出的免费开源课程资源库，旨在帮助学习者系统掌握扩散模型（Diffusion Models）的核心原理与实战应用。它解决了初学者在面对生成式 AI 时“理论难懂、代码难写”的痛点，通过结构化的教学单元，引导用户从零开始理解模型架构，并亲手实现图像与音频的生成。\n\n这套资源非常适合具备 Python 基础及深度学习常识的开发者、研究人员或技术爱好者。如果你希望深入探索 AIGC 领域，或者想要训练自己的专属模型，这里提供了从理论基础到完整代码实现的闭环学习路径。\n\n其独特亮点在于紧密结合了流行的 🤗 Diffusers 库，内容涵盖从手写扩散模型、微调预训练模型，到条件生成、引导技术以及构建自定义推理流水线等进阶话题。课程采用\"Jupyter 笔记本 + 理论讲解”的形式，不仅包含 Stable Diffusion 等前沿模型的深度解析，还鼓励社区参与翻译与项目实践。无论是想夯实算法根基，还是希望快速落地创意原型，diffusion-models-class 都是一份不可多得的实战指南。","# Hugging Face Diffusion Models Course\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=License&message=Apache&color=\u003CYellow>)](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fblob\u002Fmain\u002FLICENSE)  \n[![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fhuggingface\u002Fdiffusion-models-class.svg?style=social&label=Fork&maxAge=2592000)](https:\u002F\u002Fgithub.com\u002Fdhakalnirajan\u002Fdiffusion-models-class)  \n[![Made with Jupyter](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMade%20with-Jupyter-red?style=flat-square&logo=Jupyter)](https:\u002F\u002Fjupyter.org\u002Ftry)  \n![PyTorch](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-%23EE4C2C.svg?style=flat-square&logo=PyTorch&logoColor=white)\n\nIn this free course, you will:\n- 👩‍🎓 Study the theory behind diffusion models\n- 🧨 Learn how to generate images and audio with the popular 🤗 Diffusers library\n- 🏋️‍♂️ Train your own diffusion models from scratch\n- 📻 Fine-tune existing diffusion models on new datasets\n- 🗺 Explore conditional generation and guidance\n- 🧑‍🔬 Create your own custom diffusion model pipelines\n\n\nRegister via the **[signup form](https:\u002F\u002Fhuggingface.us17.list-manage.com\u002Fsubscribe?u=7f57e683fa28b51bfc493d048&id=ef963b4162)** and then join us on **[Discord](https:\u002F\u002Fdiscord.gg\u002FaYka4Yhff9)** to get the conversations started. Instructions on how to join specific categories\u002Fchannels **[are here.](https:\u002F\u002Fdiscord.com\u002Fchannels\u002F879548962464493619\u002F1014509271255367701)**\n\n## Syllabus\n\n| 📆 Publishing date  | 📘 Unit           | 👩‍💻 Hands-on |\n|---------------|----------------------------------------------------------|----------------------------------------------------------------------------------------------------------|\n| November 28, 2022  | [An Introduction to Diffusion Models](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit1)| Introduction to Diffusers and Diffusion Models From Scratch |\n| December 12, 2022  | [Fine-Tuning and Guidance](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit2) | Fine-Tuning a Diffusion Model on New Data and Adding Guidance |\n| December 21, 2022  | [Stable Diffusion](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit3) | Exploring a Powerful Text-Conditioned Latent Diffusion Model |\n| January 2023 (TBC)  | [Doing More with Diffusion](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit4) | Advanced Techniques to Take Diffusion Further |\n\nMore information coming soon!\n\n\n## Prerequisites\n- Good skills in Python 🐍\n- Basics in Deep Learning and Pytorch\n\nIf it's not the case yet, you can check these free resources:\n- Python: https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fintroduction-to-python--ud1110\n- Intro to Deep Learning with PyTorch: https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fdeep-learning-pytorch--ud188\n- PyTorch in 60 min: https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdeep_learning_60min_blitz.html\n\n## FAQ\n**Is this class free?**\n\nYes, totally free 🥳.\n\n\n**Do I need to have a Hugging Face account to follow the course?**\n\nYes, to push your custom models and pipelines to the hub, you need an account (it's free) 🤗.\n\nYou can create one here 👉 [https:\u002F\u002Fhuggingface.co\u002Fjoin](https:\u002F\u002Fhuggingface.co\u002Fjoin)\n\n\n**What’s the format of the class?**\n\nThe course will consist of at least **4 Units.** More will be added as time goes on, on topics like diffusion for audio. \n\nEach unit consists of some theory and background alongside one or more hands-on notebooks. Some units will also contain suggested projects and we'll have competitions and swag for the best pipelines and demos (more details TDB).\n\n## 🌎 Languages and translations\n\nMembers of the 🤗 community have begun translating the course! We're planning to host this course on the [Hugging Face website](https:\u002F\u002Fhuggingface.co\u002F), so if you're interested in contributing a translation, we recommend waiting until we've formatted the English content in it's final form.\n\n| Language                                                                      | Authors |\n|:------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|\n| [Chinese](https:\u002F\u002Fgithub.com\u002Fdarcula1993\u002Fdiffusion-models-class-CN\u002Fblob\u002Fmain\u002FREADME_CN.md)     | [@darcula1993](https:\u002F\u002Fgithub.com\u002Fdarcula1993) [@XhrLeokk](https:\u002F\u002Fgithub.com\u002FXhrLeokk) [@SuSung-boy](https:\u002F\u002Fgithub.com\u002FSuSung-boy) [@Hoi2022](https:\u002F\u002Fgithub.com\u002FHoi2022)|\n| [Japanese](https:\u002F\u002Fgithub.com\u002Feltociear\u002Fdiffusion-models-class-JA\u002Fblob\u002Fmain\u002FREADME_JA.md)     | [@eltociear](https:\u002F\u002Fgithub.com\u002Feltociear) [@nazuki155](https:\u002F\u002Fgithub.com\u002Fnazuki155)|\n| [Korean](https:\u002F\u002Fgithub.com\u002Fdeep-diver\u002Fdiffusion-models-class\u002Fblob\u002Fmain\u002FREADME_KR.md)     | [@deep-diver](https:\u002F\u002Fgithub.com\u002Fdeep-diver)\n","# Hugging Face 扩散模型课程\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=License&message=Apache&color=\u003CYellow>)](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fblob\u002Fmain\u002FLICENSE)  \n[![GitHub 星标](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fhuggingface\u002Fdiffusion-models-class.svg?style=social&label=Fork&maxAge=2592000)](https:\u002F\u002Fgithub.com\u002Fdhakalnirajan\u002Fdiffusion-models-class)  \n[![由 Jupyter 制作](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMade%20with-Jupyter-red?style=flat-square&logo=Jupyter)](https:\u002F\u002Fjupyter.org\u002Ftry)  \n![PyTorch](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-%23EE4C2C.svg?style=flat-square&logo=PyTorch&logoColor=white)\n\n在本免费课程中，你将：\n- 👩‍🎓 学习扩散模型背后的理论\n- 🧨 使用流行的 🤗 Diffusers 库学习如何生成图像和音频\n- 🏋️‍♂️ 从头开始训练自己的扩散模型\n- 📻 在新数据集上微调现有的扩散模型\n- 🗺 探索条件生成与引导机制\n- 🧑‍🔬 创建属于你自己的自定义扩散模型流水线\n\n\n请通过 **[报名表单](https:\u002F\u002Fhuggingface.us17.list-manage.com\u002Fsubscribe?u=7f57e683fa28b51bfc493d048&id=ef963b4162)** 注册，然后加入我们的 **[Discord](https:\u002F\u002Fdiscord.gg\u002FaYka4Yhff9)** 社区，开启讨论。关于如何加入特定类别\u002F频道的说明 **[请见此处。](https:\u002F\u002Fdiscord.com\u002Fchannels\u002F879548962464493619\u002F1014509271255367701)**\n\n## 课程大纲\n\n| 📆 发布日期  | 📘 单元           | 👩‍💻 动手实践 |\n|---------------|----------------------------------------------------------|----------------------------------------------------------------------------------------------------------|\n| 2022年11月28日  | [扩散模型简介](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit1)| Diffusers 与从零开始构建扩散模型入门 |\n| 2022年12月12日  | [微调与引导](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit2) | 在新数据上微调扩散模型并添加引导 |\n| 2022年12月21日  | [Stable Diffusion](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit3) | 探索强大的文本条件化潜在扩散模型 |\n| 2023年1月（待定）  | [用扩散模型做更多](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Ftree\u002Fmain\u002Funit4) | 进一步提升扩散模型效果的高级技术 |\n\n更多信息即将发布！\n\n\n## 先决条件\n- 良好的 Python 技能 🐍\n- 深度学习与 PyTorch 的基础知识\n\n如果你还不具备这些条件，可以参考以下免费资源：\n- Python：https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fintroduction-to-python--ud1110\n- PyTorch 深度学习入门：https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fdeep-learning-pytorch--ud188\n- PyTorch 60 分钟速成：https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdeep_learning_60min_blitz.html\n\n## 常见问题解答\n**这门课是免费的吗？**\n\n是的，完全免费 🥳。\n\n\n**我需要一个 Hugging Face 账号才能参加课程吗？**\n\n是的，为了将你自定义的模型和流水线上传到 Hugging Face Hub，你需要一个账号（免费）🤗。\n\n你可以在这里创建账号 👉 [https:\u002F\u002Fhuggingface.co\u002Fjoin](https:\u002F\u002Fhuggingface.co\u002Fjoin)\n\n\n**课程的形式是什么？**\n\n本课程至少包含 **4 个单元。** 随着时间推移，我们还会增加更多单元，例如关于音频扩散的内容。 \n\n每个单元都包含一定的理论背景知识以及一个或多个动手实践笔记本。部分单元还将提供推荐项目，并为最佳流水线和演示举办竞赛，优胜者将获得精美礼品（更多细节待定）。\n\n## 🌎 语言与翻译\n\n🤗 社区成员已经开始对本课程进行翻译！我们计划将本课程托管在 [Hugging Face 官网](https:\u002F\u002Fhuggingface.co\u002F) 上，因此如果你有兴趣贡献翻译，建议等到我们将英文内容整理成最终形式后再参与。\n\n| 语言                                                                      | 作者 |\n|:------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|\n| [中文](https:\u002F\u002Fgithub.com\u002Fdarcula1993\u002Fdiffusion-models-class-CN\u002Fblob\u002Fmain\u002FREADME_CN.md)     | [@darcula1993](https:\u002F\u002Fgithub.com\u002Fdarcula1993) [@XhrLeokk](https:\u002F\u002Fgithub.com\u002FXhrLeokk) [@SuSung-boy](https:\u002F\u002Fgithub.com\u002FSuSung-boy) [@Hoi2022](https:\u002F\u002Fgithub.com\u002FHoi2022)|\n| [日语](https:\u002F\u002Fgithub.com\u002Feltociear\u002Fdiffusion-models-class-JA\u002Fblob\u002Fmain\u002FREADME_JA.md)     | [@eltociear](https:\u002F\u002Fgithub.com\u002Feltociear) [@nazuki155](https:\u002F\u002Fgithub.com\u002Fnazuki155)|\n| [韩语](https:\u002F\u002Fgithub.com\u002Fdeep-diver\u002Fdiffusion-models-class\u002Fblob\u002Fmain\u002FREADME_KR.md)     | [@deep-diver](https:\u002F\u002Fgithub.com\u002Fdeep-diver)","# Hugging Face 扩散模型课程快速上手指南\n\n本指南基于 Hugging Face 官方开源的扩散模型课程（diffusion-models-class），旨在帮助开发者快速搭建环境并开始学习扩散模型的理论与实战。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux 以获得最佳兼容性)\n*   **编程语言**：Python 3.8+\n*   **前置知识**：\n    *   熟练掌握 Python 编程\n    *   具备深度学习基础及 PyTorch 使用经验\n*   **硬件建议**：推荐使用配备 NVIDIA GPU 的环境以加速模型训练和推理（CPU 亦可运行部分示例，但速度较慢）\n*   **账号准备**：注册一个免费的 [Hugging Face 账号](https:\u002F\u002Fhuggingface.co\u002Fjoin)，用于推送自定义模型和 Pipeline。\n\n> 💡 **学习资源推荐**：若需补充基础知识，可参考 [PyTorch 60 分钟入门](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002Fbeginner\u002Fdeep_learning_60min_blitz.html)。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n首先将课程代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class.git\ncd diffusion-models-class\n```\n\n### 2. 创建虚拟环境\n建议使用 `conda` 或 `venv` 创建独立的虚拟环境：\n\n```bash\n# 使用 conda\nconda create -n diffusion-course python=3.9\nconda activate diffusion-course\n\n# 或使用 venv\npython -m venv diffusion-course\nsource diffusion-course\u002Fbin\u002Factivate  # Windows: diffusion-course\\Scripts\\activate\n```\n\n### 3. 安装依赖\n安装课程所需的 PyTorch 及 Hugging Face 相关库。\n\n**方案 A：使用国内镜像源加速（推荐中国开发者）**\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install diffusers transformers accelerate datasets jupyter matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*(注：上述 `cu118` 为 CUDA 11.8 版本，请根据实际显卡驱动调整；若无 GPU，可使用 `cpu` 版本)*\n\n**方案 B：官方标准安装**\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install diffusers transformers accelerate datasets jupyter matplotlib\n```\n\n### 4. 验证安装\n启动 Jupyter Notebook 以运行课程单元：\n```bash\njupyter notebook\n```\n在浏览器中打开 `unit1` 文件夹下的笔记本来开始第一课。\n\n## 基本使用\n\n本课程的核心是通过 `diffusers` 库进行扩散模型的推理、微调和从头训练。以下是一个最简单的使用示例，展示如何加载预训练的 Stable Diffusion 模型并生成图像。\n\n### 最简单的图像生成示例\n\n创建一个 Python 脚本或 Jupyter 单元格，运行以下代码：\n\n```python\nimport torch\nfrom diffusers import StableDiffusionPipeline\n\n# 1. 加载预训练的 Stable Diffusion 模型\n# 首次运行会自动下载模型权重到本地缓存\nmodel_id = \"runwayml\u002Fstable-diffusion-v1-5\"\npipeline = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)\n\n# 2. 将模型移动到 GPU (如果可用)\nif torch.cuda.is_available():\n    pipeline = pipeline.to(\"cuda\")\n\n# 3. 定义提示词并生成图像\nprompt = \"a photo of an astronaut riding a horse on mars\"\nimage = pipeline(prompt).images[0]  \n\n# 4. 保存生成的图像\nimage.save(\"astronaut_rides_horse.png\")\n\nprint(\"图像生成成功！已保存为 astronaut_rides_horse.png\")\n```\n\n### 下一步学习路径\n完成环境配置后，您可以按照课程大纲逐步深入：\n1.  **Unit 1**: 学习扩散模型原理，从零构建一个简单的扩散模型。\n2.  **Unit 2**: 学习如何在自定义数据集上微调模型以及添加引导（Guidance）。\n3.  **Unit 3**: 深入探索强大的文本条件潜在扩散模型（Stable Diffusion）。\n4.  **Unit 4**: 掌握高级技巧，构建自定义的扩散模型流水线。\n\n所有实操代码均位于各单元目录下的 `.ipynb` 文件中，直接在 Jupyter 中运行即可体验。","一家初创游戏工作室的美术团队急需为独立游戏生成大量风格统一的资产图标，但缺乏深度学习专家来构建定制化的图像生成流程。\n\n### 没有 diffusion-models-class 时\n- 团队成员只能零散地阅读晦涩的学术论文，难以将扩散模型的数学理论转化为可运行的 PyTorch 代码。\n- 尝试微调现有模型时，因不熟悉 🤗 Diffusers 库的高级用法，导致训练过程频繁报错且显存优化困难。\n- 无法实现“条件生成”控制，生成的图标风格随机飘忽，无法满足游戏美术对一致性的严苛要求。\n- 从零搭建推理管道耗时数周，严重拖慢了游戏原型的迭代进度，错失市场窗口期。\n\n### 使用 diffusion-models-class 后\n- 通过课程第一单元的系统讲解，团队快速掌握了扩散模型核心原理，并直接复用提供的 From Scratch 代码示例。\n- 利用第二单元的实战笔记，顺利在自定义数据集上完成了模型微调，轻松解决了显存瓶颈并添加了引导机制。\n- 借助第三单元关于 Stable Diffusion 的深度解析，成功实现了文本控制生成，确保所有图标风格高度统一。\n- 依据第四单元的高级技巧，迅速构建出专属的定制化推理管道，将资产生产周期从数周缩短至几天。\n\ndiffusion-models-class 将高深的扩散模型技术转化为结构化的实战路径，让非算法背景的开发团队也能高效落地定制化 AI 生成应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_diffusion-models-class_398587aa.png","huggingface","Hugging Face","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuggingface_90da21a4.png","The AI community building the future.",null,"https:\u002F\u002Fhuggingface.co\u002F","https:\u002F\u002Fgithub.com\u002Fhuggingface",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0,4301,490,"2026-04-02T00:27:42","Apache-2.0","","未说明",{"notes":98,"python":96,"dependencies":99},"README 中未明确列出具体的操作系统、GPU 型号、显存大小、内存需求及 Python 版本。仅提及需要具备良好的 Python 技能以及深度学习和 PyTorch 基础知识。主要依赖库为 PyTorch 和 Hugging Face Diffusers。课程包含从零开始训练模型的内容，实际运行可能需要较高的 GPU 配置，但具体数值需参考各单元 Notebook 内的代码说明。",[100,101],"PyTorch","Diffusers",[14,55,13],"2026-03-27T02:49:30.150509","2026-04-06T05:16:06.124579",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},10792,"在 VSCode Jupyter Notebook 中运行 notebook_login() 时没有交互式登录提示，且生成大量图片时遇到 CUDA 显存不足（OOM）错误怎么办？","1. 关于登录无反应：尝试使用 Google Colab 或 Kaggle 等环境，它们通常能更好地支持 GPU 和交互式登录。\n2. 关于显存不足：\n   - 将 num_images_per_prompt 设置为 1 以减少单次批处理大小。\n   - 调用 pipeline.enable_attention_slicing() 来进一步降低显存占用。\n   - 注意：如果设置的生成数量小于 num_images_per_prompt，代码可能不会生成任何图片，需确保逻辑匹配。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fissues\u002F34",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},10793,"扩散模型公式 q(xt | x0) 中的方差项应该是 (1-alpha) 还是 sqrt(1-alpha)？","这是一个符号混淆问题。根据原始论文，正态分布的第二个参数是方差而非标准差。因此公式应为 q(xt | x0) ~ N(sqrt(1-alpha)*x0, (1-alpha)*I)。之前的笔记中误写为了标准差形式，现已修正。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fissues\u002F18",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},10794,"在 Windows 上运行 finetune_model.py 时出现 \"TypeError: Object of type WindowsPath is not JSON serializable\" 错误如何解决？","这是 diffusers 库在 Windows 路径处理上的一个已知问题。该问题已在 diffusers 仓库的 PR #8662 中被修复。建议升级 diffusers 库到包含此修复的最新版本，或者手动应用该 PR 中的补丁。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fissues\u002F82",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},10795,"有哪些推荐的大型数据集可用于进阶的扩散模型训练实验？","推荐使用 WikiArt 数据集（Hugging Face 地址：huggan\u002Fwikiart）。该数据集包含约 8 万张图片，视觉效果丰富。即使模型训练程度一般，生成的图像也相对美观，非常适合用于测试不同 UNet 架构对训练时间和效果的影响。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fissues\u002F25",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},10796,"完成课程所有单元后是否有参与证书？","课程会为参与 DreamBooth Hackathon 的用户颁发证书。获取条件是训练一个模型并将其推送到排行榜。如果需要证书用于工作证明，需确保完成上述黑客松任务。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fdiffusion-models-class\u002Fissues\u002F33",{"id":132,"question_zh":133,"answer_zh":134,"source_url":125},10797,"基于本课程编写的文章或 Notebook 应该如何正确引用？","直接链接到本课程单元页面即可。如果在社交媒体（如 Twitter）上分享作品，可以标记 @huggingface 以获得更多关注。目前不需要特殊的官方引用格式，提供课程链接作为参考即符合要求。",[]]