[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-moemen95--Pytorch-Project-Template":3,"tool-moemen95--Pytorch-Project-Template":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",150037,2,"2026-04-10T23:33:47",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":76,"owner_email":77,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":32,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":122,"updated_at":123,"faqs":124,"releases":145},6513,"moemen95\u002FPytorch-Project-Template","Pytorch-Project-Template","A scalable template for PyTorch projects, with examples in Image Segmentation, Object classification, GANs and Reinforcement Learning.","Pytorch-Project-Template 是一个专为 PyTorch 深度学习项目设计的可扩展模板，旨在帮助开发者以更智能、规范的方式构建代码。在深度学习实践中，研究者往往专注于模型创新，却容易忽视项目结构的合理性与代码的模块化，导致文件混乱和重复劳动。该模板通过提供一套标准化的项目架构，有效解决了这一痛点，让用户能将精力集中在水模核心算法的实现上。\n\n它特别适合从事图像分割、目标分类、生成对抗网络（GANs）及强化学习等领域的研究人员与开发工程师使用。无论是从零开始的新项目，还是希望重构现有代码的团队，都能从中受益。其独特亮点在于引入了统一的配置文件来管理所有超参数，只需简单修改配置文件名，即可在不同任务示例间灵活切换。此外，项目内置了多个经典模型的实现案例，并配有详细的入门教程，帮助用户快速上手。作为一个由社区驱动的开源项目，它也欢迎各方贡献者共同完善，致力于成为 PyTorch 生态中通用的项目基石。","PyTorch Project Template is being sponsored by the following tool; please help to support us by taking a look and signing up to a free trial\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmoemen95_Pytorch-Project-Template_readme_2af67482af2f.png\" alt=“GitAds”\u002F>](https:\u002F\u002Ftracking.gitads.io\u002F?repo=Pytorch-Project-Template)\n\n# PyTorch Project Template\n\nImplement your PyTorch projects the smart way.\n\nA **Scalable template** for PyTorch projects, with examples in Image Segmentation, Object classification, GANs and Reinforcement Learning.\n\nGiven the nature of deep learning projects, we do not get the chance to think much about the project structure or the code modularity. After working with different deep learning projects and facing problems with files organization and code repetition, we came up with a **modular project structure** to accommodate any PyTorch project.\nWe also wanted to provide **a base for different PyTorch models for the community** to build upon.\n\nThis is a joint work between [Hager Rady](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002F) and [Mo'men AbdelRazek](https:\u002F\u002Fgithub.com\u002Fmoemen95)\n\n### Table of Contents: \n\u003C!-- Table of contents generated generated by http:\u002F\u002Ftableofcontent.eu -->\n- [PyTorch Project Template](#pytorch-project-template)\n    - [Why this template?](#why-this-template)\n    - [Tutorials](#tutorials)\n    - [Contribution](#contribution)\n    - [Template Class Diagram](#template-class-diagram)\n    - [Referenced Repos](#referenced-repos)\n    - [Repos Migration Summary](#repos-migration-summary)\n    - [Template Repo Structure](#repo-structure)\n    - [Requirements](#requirements)\n    - [Future Work](#future-work)\n    - [License](#license)\n    \n### Why this template?\n\nWe are proposing **a baseline** for any PyTorch project to give you a quick start, where you will get the time to focus on your model's implementation and we will handle the rest. The novelty of this approach lies in:\n- Providing **a scalable project structure**, with a template file for each.\n- Introducing the usage of a config file that handle all the hyper-parameters related to a certain problem.\n- Embedding examples from various problems inside the template, where you can run any of them independently with a **single change** in the config file name.\n- **Tutorials** to get you started.\n\n### Tutorials:\nWe are providing a series of tutorials to get your started\n\n* [Getting Started Tutorial](https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPyTorch-Project-Template\u002Fblob\u002Fmaster\u002Ftutorials\u002FgetStarted_tutorial.md): where we provide a guide on the main steps to get started on your project.\n* [Mnist Tutorial](https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPyTorch-Project-Template\u002Fblob\u002Fmaster\u002Ftutorials\u002Fmnist_tutorial.md): Here we take an already implemented NN model on Mnist and adapt it to our template structure.\n\n### Contribution:\n* We want this template to be **a central place** for many variations of the well-known PyTorch Deep learning models.\n* We are welcoming any contribution from the community that will make this come true so we urge people to add their PyTorch models into the template.\n* We are also welcoming any proposed changes or discussions about the class design pattern used in this project.\n\n### Template Class Diagram:\n![alt text](utils\u002Fassets\u002Fclass_diagram.png \"Template Class diagram\")\n\n### Referenced Repos:\n1. [ERFNet](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FERFNet-PyTorch): A model for **Semantic Segmentation**, trained on Pascal Voc\n2. [DCGAN](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FDCGAN-Pytorch): Deep Convolutional **Generative Adverserial Networks**, run on CelebA dataset.\n3. [CondenseNet](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FCondenseNet-Pytorch): A model for **Image Classification**, trained on Cifar10 dataset\n4. [DQN](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FDQN-Pytorch): Deep Q Network model, a **Reinforcement Learning** example, tested on CartPole-V0\n5. [RecAE](https:\u002F\u002Fgithub.com\u002FPyLink88\u002FRecurrent-Autoencoder): Recurrent neural networks based autoencoder for **Time series anomaly detection**, run on ECG5000 dataset\n\n### Repos Migration Summary:\n\n1) We started by DCGAN, adding its custom configs into the json file. DCGAN has both generator and discriminator model so it doesn't have a single model file.\n2) Then, we added CondenseNet, where it was necessary to create a custom blocks folder inside the models folder to include the definitions for custom layers within the model.\n3) After that, we added the DQN project, where all the classes related to the environment have been added to the utils. We also added the action selection and model optimization into the training agent.\n4) ERFNet was the last example to join the template; agent, model and utils have been added to their folders with no conflicts.\n\nThis is to ensure that our proposed project structure is compatible with different problems and can handle all the variations related to any of them.\n\n### Repo Structure:\nAfter adding all our examples, the repo has the following structure:\n```\n├── agents\n|  └── dcgan.py\n|  └── condensenet.py\n|  └── mnist.py\n|  └── dqn.py\n|  └── example.py\n|  └── base.py\n|  └── erfnet.py\n|\n├── configs\n|  └── dcgan_exp_0.py\n|  └── condensenet_exp_0.py\n|  └── mnist_exp_0.py\n|  └── dqn_exp_0.py\n|  └── example_exp_0.py\n|  └── erfnet_exp_0.py\n|\n├── data\n|\n├── datasets\n|  └── cifar10.py\n|  └── celebA.py\n|  └── mnist.py\n|  └── example.py\n|  └── voc2012.py\n|\n├── experiments\n|\n├── graphs\n|  └── models\n|  |  └── custome_layers\n|  |  |  └── denseblock.py\n|  |  |  └── layers.py\n|  |  |\n|  |  └── dcgan_discriminator.py\n|  |  └── dcgan_generator.py\n|  |  └── erfnet.py\n|  |  └── erfnet_imagenet.py\n|  |  └── condensenet.py\n|  |  └── mnist.py\n|  |  └── dqn.py\n|  |  └── example.py\n|  |\n|  └── losses\n|  |  └── loss.py\n|\n├── pretrained_weights\n|\n├── tutorials\n|\n├── utils\n|  └── assets\n|\n├── main.py\n└── run.sh\n```\n\n### Requirements:\n```\neasydict==1.7\ngraphviz==0.8.4\ngym==0.10.5\nimageio==2.3.0\nmatplotlib==2.2.2\nnumpy==1.14.5\nPillow==5.2.0\nscikit-image==0.14.0\nscikit-learn==0.19.1\nscipy==1.1.0\ntensorboardX==1.2\ntorch==0.4.0\ntorchvision==0.2.1\ntqdm==4.23.4\n```\n\n### Future Work:\n\nWe are planning to add more examples into our template to include various categories of problems. Next we are going to include the following:\n\n* [MobilenetV2](https:\u002F\u002Fgithub.com\u002FMG2033\u002FMobileNet-V2)\n* [visual-interaction-networks-pytorch](https:\u002F\u002Fgithub.com\u002FMrGemy95\u002Fvisual-interaction-networks-pytorch)\n* [variational-Autoencoder-pytorch](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Ftree\u002Fmaster\u002Fvae)\n\n### License:\nThis project is licensed under MIT License - see the LICENSE file for details\n","PyTorch 项目模板由以下工具赞助；请帮忙支持我们，查看并注册免费试用：\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmoemen95_Pytorch-Project-Template_readme_2af67482af2f.png\" alt=“GitAds”\u002F>](https:\u002F\u002Ftracking.gitads.io\u002F?repo=Pytorch-Project-Template)\n\n# PyTorch 项目模板\n\n以智能的方式实现你的 PyTorch 项目。\n\n这是一个适用于 PyTorch 项目的**可扩展模板**，包含图像分割、目标分类、GAN 和强化学习等示例。\n\n鉴于深度学习项目的特性，我们往往没有太多时间去思考项目结构或代码的模块化。在参与过多个深度学习项目，并遇到文件组织混乱和代码重复等问题后，我们设计了一种**模块化的项目结构**，可以适应任何 PyTorch 项目。同时，我们也希望为社区提供一个**基于 PyTorch 的模型基础框架**，供大家在此基础上进行开发。\n\n本项目由 [Hager Rady](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002F) 和 [Mo'men AbdelRazek](https:\u002F\u002Fgithub.com\u002Fmoemen95) 共同完成。\n\n### 目录：\n\u003C!-- 目录由 http:\u002F\u002Ftableofcontent.eu 生成 -->\n- [PyTorch 项目模板](#pytorch-project-template)\n    - [为什么使用这个模板？](#why-this-template)\n    - [教程](#tutorials)\n    - [贡献](#contribution)\n    - [模板类图](#template-class-diagram)\n    - [参考仓库](#referenced-repos)\n    - [仓库迁移总结](#repos-migration-summary)\n    - [模板仓库结构](#repo-structure)\n    - [依赖项](#requirements)\n    - [未来工作](#future-work)\n    - [许可证](#license)\n    \n### 为什么使用这个模板？\n\n我们提出了一种**基准模板**，适用于任何 PyTorch 项目，帮助你快速入门。这样你可以把更多精力放在模型实现上，而其他部分则由我们来处理。该方法的新颖之处在于：\n- 提供**可扩展的项目结构**，每个子模块都有对应的模板文件。\n- 引入配置文件机制，用于管理与特定问题相关的所有超参数。\n- 在模板中嵌入了多种不同问题的示例，你只需简单地更改配置文件名，即可独立运行任意一个示例。\n- 提供**教程**，帮助你快速上手。\n\n### 教程：\n我们提供了一系列教程，帮助你快速开始：\n\n* [入门教程](https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPyTorch-Project-Template\u002Fblob\u002Fmaster\u002Ftutorials\u002FgetStarted_tutorial.md)：介绍如何开始你的项目的主要步骤。\n* [MNIST 教程](https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPyTorch-Project-Template\u002Fblob\u002Fmaster\u002Ftutorials\u002Fmnist_tutorial.md)：我们将一个已实现的 MNIST 神经网络模型适配到我们的模板结构中。\n\n### 贡献：\n- 我们希望这个模板能够成为许多知名 PyTorch 深度学习模型变体的**集中平台**。\n- 我们欢迎社区的任何贡献，以实现这一目标，因此鼓励大家将自己的 PyTorch 模型加入到模板中。\n- 同时，我们也欢迎对本项目所采用的类设计模式提出的改进建议或讨论。\n\n### 模板类图：\n![alt text](utils\u002Fassets\u002Fclass_diagram.png \"模板类图\")\n\n### 参考仓库：\n1. [ERFNet](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FERFNet-PyTorch)：一种用于**语义分割**的模型，在 Pascal VOC 数据集上训练。\n2. [DCGAN](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FDCGAN-Pytorch)：深度卷积**生成对抗网络**，在 CelebA 数据集上运行。\n3. [CondenseNet](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FCondenseNet-PyTorch)：一种用于**图像分类**的模型，在 CIFAR-10 数据集上训练。\n4. [DQN](https:\u002F\u002Fgithub.com\u002Fhagerrady13\u002FDQN-PyTorch)：深度 Q 网络模型，是**强化学习**的一个例子，在 CartPole-V0 环境中测试。\n5. [RecAE](https:\u002F\u002Fgithub.com\u002FPyLink88\u002FRecurrent-Autoencoder)：基于循环神经网络的自编码器，用于**时间序列异常检测**，在 ECG5000 数据集上运行。\n\n### 仓库迁移总结：\n\n1) 我们首先引入了 DCGAN，将其自定义配置添加到 JSON 文件中。由于 DCGAN 包含生成器和判别器两个模型，因此没有单一的模型文件。\n2) 接着，我们加入了 CondenseNet，为此需要在 `models` 文件夹中创建一个自定义的 `blocks` 文件夹，用于存放模型中自定义层的定义。\n3) 随后，我们添加了 DQN 项目，将与环境相关的所有类移至 `utils` 文件夹中。同时，还将动作选择和模型优化逻辑整合到了训练代理中。\n4) 最后加入的是 ERFNet 示例；代理、模型和工具类分别被添加到各自的文件夹中，且未出现任何冲突。\n\n这样做是为了确保我们提出的项目结构能够兼容不同的问题，并能处理各种相关的变化。\n\n### 仓库结构：\n在添加完所有示例后，仓库的结构如下：\n```\n├── agents\n|  └── dcgan.py\n|  └── condensenet.py\n|  └── mnist.py\n|  └── dqn.py\n|  └── example.py\n|  └── base.py\n|  └── erfnet.py\n|\n├── configs\n|  └── dcgan_exp_0.py\n|  └── condensenet_exp_0.py\n|  └── mnist_exp_0.py\n|  └── dqn_exp_0.py\n|  └── example_exp_0.py\n|  └── erfnet_exp_0.py\n|\n├── data\n|\n├── datasets\n|  └── cifar10.py\n|  └── celebA.py\n|  └── mnist.py\n|  └── example.py\n|  └── voc2012.py\n|\n├── experiments\n|\n├── graphs\n|  └── models\n|  |  └── custome_layers\n|  |  |  └── denseblock.py\n|  |  |  └── layers.py\n|  |  |\n|  |  └── dcgan_discriminator.py\n|  |  └── dcgan_generator.py\n|  |  └── erfnet.py\n|  |  └── erfnet_imagenet.py\n|  |  └── condensenet.py\n|  |  └── mnist.py\n|  |  └── dqn.py\n|  |  └── example.py\n|  |\n|  └── losses\n|  |  └── loss.py\n|\n├── pretrained_weights\n|\n├── tutorials\n|\n├── utils\n|  └── assets\n|\n├── main.py\n└── run.sh\n```\n\n### 依赖项：\n```\neasydict==1.7\ngraphviz==0.8.4\ngym==0.10.5\nimageio==2.3.0\nmatplotlib==2.2.2\nnumpy==1.14.5\nPillow==5.2.0\nscikit-image==0.14.0\nscikit-learn==0.19.1\nscipy==1.1.0\ntensorboardX==1.2\ntorch==0.4.0\ntorchvision==0.2.1\ntqdm==4.23.4\n```\n\n### 未来工作：\n\n我们计划在模板中添加更多示例，以涵盖各类问题。接下来我们将加入以下内容：\n\n* [MobileNetV2](https:\u002F\u002Fgithub.com\u002FMG2033\u002FMobileNet-V2)\n* [visual-interaction-networks-pytorch](https:\u002F\u002Fgithub.com\u002FMrGemy95\u002Fvisual-interaction-networks-pytorch)\n* [variational-Autoencoder-pytorch](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Ftree\u002Fmaster\u002Fvae)\n\n### 许可证：\n本项目采用 MIT 许可证授权——详情请参阅 LICENSE 文件。","# PyTorch Project Template 快速上手指南\n\nPyTorch Project Template 是一个可扩展的 PyTorch 项目模板，旨在帮助开发者以模块化、结构化的方式构建深度学习项目。它内置了图像分割、目标分类、GAN 和强化学习等多个示例，通过配置文件即可轻松切换不同任务。\n\n## 环境准备\n\n### 系统要求\n- Python 3.x\n- 支持 CUDA 的 GPU（可选，用于加速训练）\n\n### 前置依赖\n本项目依赖以下核心库，建议先安装基础科学计算包：\n```bash\npip install numpy scipy matplotlib Pillow scikit-image scikit-learn\n```\n\n> **国内加速建议**：推荐使用清华或阿里镜像源加速安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPyTorch-Project-Template.git\n   cd PyTorch-Project-Template\n   ```\n\n2. **安装依赖**\n   创建虚拟环境并安装 `requirements.txt` 中列出的所有依赖：\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n   \n   pip install -r requirements.txt\n   ```\n   \n   *若使用国内镜像源加速安装：*\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements.txt\n   ```\n\n## 基本使用\n\n本模板的核心优势在于通过修改配置文件即可运行不同的模型示例。\n\n### 1. 运行示例项目（以 MNIST 为例）\n\n确保 `configs` 目录下存在 `mnist_exp_0.py` 配置文件。\n\n执行主程序并指定配置：\n```bash\npython main.py --config configs\u002Fmnist_exp_0.py\n```\n\n或者使用提供的脚本运行：\n```bash\n.\u002Frun.sh configs\u002Fmnist_exp_0.py\n```\n\n### 2. 切换其他任务\n\n只需更改配置文件名称即可运行其他内置示例（如 GAN、DQN 等）：\n\n- **运行 DCGAN**:\n  ```bash\n  python main.py --config configs\u002Fdcgan_exp_0.py\n  ```\n\n- **运行强化学习 (DQN)**:\n  ```bash\n  python main.py --config configs\u002Fdqn_exp_0.py\n  ```\n\n- **运行图像分割 (ERFNet)**:\n  ```bash\n  python main.py --config configs\u002Ferfnet_exp_0.py\n  ```\n\n### 3. 开始新项目\n\n若要开发自己的模型：\n1. 复制 `agents\u002Fexample.py` 和 `graphs\u002Fmodels\u002Fexample.py` 作为起点。\n2. 复制 `configs\u002Fexample_exp_0.py` 并重命名，修改其中的超参数和数据路径。\n3. 运行新配置的脚本即可。","某初创公司的算法团队正紧急开发一套基于深度学习的工业缺陷检测系统，需要在短时间内完成从图像分类到语义分割的多种模型验证。\n\n### 没有 Pytorch-Project-Template 时\n- **项目结构混乱**：每位工程师按个人习惯组织代码，导致文件层级不一，新人接手时需花费数天理清逻辑，严重拖慢协作进度。\n- **超参管理低效**：学习率、批次大小等超参数硬编码在脚本中，每次调整实验配置都要手动修改多处代码，极易引发人为错误。\n- **重复造轮子**：从分类任务切换到分割任务时，数据加载器和训练循环等通用模块无法复用，团队需反复编写相似的样板代码。\n- **实验复现困难**：缺乏统一的配置文件机制，难以追溯特定实验结果对应的具体参数组合，导致模型调优过程如同“黑盒”。\n\n### 使用 Pytorch-Project-Template 后\n- **标准化架构落地**：直接套用其模块化项目结构，团队成员统一遵循规范的目录布局，代码可读性显著提升，协作效率翻倍。\n- **配置驱动开发**：通过单一的 YAML 配置文件集中管理所有超参数，仅需切换文件名即可在不同任务（如分类转分割）间无缝迁移实验环境。\n- **开箱即用的示例**：内置的图像分割、GAN 及强化学习等成熟案例可直接作为基线，团队只需聚焦核心模型改进，节省了 50% 以上的底层搭建时间。\n- **全流程可追溯**：配置与代码分离的机制确保了每次实验记录的完整性，轻松实现结果复现与对比分析，加速了模型迭代周期。\n\nPytorch-Project-Template 通过提供可扩展的标准化骨架，让算法团队从繁琐的工程琐事中解放出来，真正专注于深度学习模型的核心创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmoemen95_Pytorch-Project-Template_4496139a.png","moemen95","Moamen Abdelrazek","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmoemen95_089d3901.jpg",null,"Montreal, Quebec, Canada","moemen.abdelrazek@gmail.com","https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fmoamen-abdelrazek\u002F","https:\u002F\u002Fgithub.com\u002Fmoemen95",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.7,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.3,917,190,"2026-04-01T01:04:33","MIT","未说明","未说明 (基于 PyTorch 0.4.0，通常支持 CUDA，但 README 未指定具体型号或版本)",{"notes":96,"python":93,"dependencies":97},"该项目是一个较旧的模板（依赖 PyTorch 0.4.0，发布于 2018 年左右），包含图像分割、分类、GAN 和强化学习等多个示例。由于依赖库版本非常陈旧，直接在现代环境中运行可能会遇到兼容性问题，建议根据当前需求升级相关库版本。项目通过配置文件管理超参数，支持切换不同实验场景。",[98,99,100,101,102,103,104,105,106,107],"torch==0.4.0","torchvision==0.2.1","easydict==1.7","gym==0.10.5","matplotlib==2.2.2","numpy==1.14.5","Pillow==5.2.0","scikit-image==0.14.0","scikit-learn==0.19.1","tensorboardX==1.2",[15,14],[110,111,112,113,114,115,116,117,118,119,120,121],"pytorch","pytorch-tutorial","pytorch-template","pytorch-project-template","dcgan","condense-net","erfnet","dqn","deep-learning","machine-learning","scemantic","semantic-segmentation-models","2026-03-27T02:49:30.150509","2026-04-11T10:01:30.879698",[125,130,135,140],{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},29467,"运行 DCGAN 时遇到目标尺寸与输入尺寸不匹配的错误（ValueError: Using a target size that is different to the input size），如何解决？","这是因为传入判别器（discriminator）的真实图像尺寸不正确。代码直接使用数据加载器输出的图像（例如尺寸为 64, 3, 218, 178），但模型期望的尺寸是 (64, 3, 64, 64)。解决方法是对图像进行预处理，确保调整大小和裁剪。可以参考以下配置：\nbatch_size = 32\nstats = (0.5, 0.5, 0.5), (0.5, 0.5, 0.5)\ntransform = transforms.Compose([\n    transforms.Resize(64),\n    transforms.CenterCrop(64),\n    transforms.ToTensor(),\n    transforms.Normalize(*stats)\n])\n此外，有用户修复了该问题及相关 bug，可以替换 agents\u002Fdcgan.py 和 datasets\u002FcelebA.py 这两个文件。","https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPytorch-Project-Template\u002Fissues\u002F1",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},29468,"是否可以将配置文件格式从 JSON 替换为 YAML？","可以。维护者表示可以根据需要更改配置系统，没有问题的。只需确保所有配置项像类变量一样被正确处理即可。YAML 格式通常比 JSON 更具可读性且易于处理。","https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPytorch-Project-Template\u002Fissues\u002F3",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},29469,"在 Windows 系统上运行时遇到绝对导入错误（Module Not Found: No module named graphs）怎么办？","这是由于 Windows 系统对绝对导入路径的处理方式不同导致的。虽然该 Issue 下没有直接给出修复代码，但通常的解决方案是将项目根目录添加到 PYTHONPATH 环境变量中，或者将导入语句改为相对导入（例如将 'import graphs' 改为 'from . import graphs' 或根据实际目录结构调整）。确保在运行脚本时，当前工作目录位于项目根目录下。","https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPytorch-Project-Template\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},29470,"该项目模板是否支持集成 Ray Tune 进行超参数微调？","目前维护者尚未在该模板中使用过 Ray Tune 进行超参数微调。如果需要集成，可能需要用户自行根据 Ray Tune 的文档和该模板的架构进行适配开发。","https:\u002F\u002Fgithub.com\u002Fmoemen95\u002FPytorch-Project-Template\u002Fissues\u002F9",[]]