[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nashory--pggan-pytorch":3,"tool-nashory--pggan-pytorch":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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":81,"oss_zip_packed_at":81,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":149},4296,"nashory\u002Fpggan-pytorch","pggan-pytorch",":fire::fire: PyTorch implementation of \"Progressive growing of GANs (PGGAN)\" :fire::fire:","pggan-pytorch 是 NVIDIA 著名论文《渐进式生成对抗网络（PGGAN）》的 PyTorch 复现版本。它核心解决了传统 GAN 在训练高分辨率图像时容易出现的模型不稳定、生成质量低以及细节缺失等难题。通过采用“渐进式生长”策略，该工具让神经网络从低分辨率开始训练，随着训练进程逐步增加网络层数以提升图像清晰度，最终能稳定生成逼真的高清人脸或物体图像。\n\n与原始论文实现相比，pggan-pytorch 进行了一些实用的工程优化：它调整了网络过渡阶段的稳定性处理逻辑，移除了不必要的 NIN 层以自动适应网络生长，并在生成器的色彩映射层引入了权重归一化技术，进一步提升了训练效率与效果。此外，它不强制依赖特定的 CelebA 数据集，用户只需准备自有图片文件夹即可轻松启动训练。\n\n这款工具非常适合具备一定深度学习基础的 AI 研究人员、算法工程师及开发者使用。如果你希望深入研究生成式模型的内部机制，或者需要在自定义数据集上复现高质量的人脸生成实验，pggan-pytorch 提供了一个灵活且高效的代码基准。配合 TensorBoard 可视化与线性插值生成功能，它能帮助用户直观","pggan-pytorch 是 NVIDIA 著名论文《渐进式生成对抗网络（PGGAN）》的 PyTorch 复现版本。它核心解决了传统 GAN 在训练高分辨率图像时容易出现的模型不稳定、生成质量低以及细节缺失等难题。通过采用“渐进式生长”策略，该工具让神经网络从低分辨率开始训练，随着训练进程逐步增加网络层数以提升图像清晰度，最终能稳定生成逼真的高清人脸或物体图像。\n\n与原始论文实现相比，pggan-pytorch 进行了一些实用的工程优化：它调整了网络过渡阶段的稳定性处理逻辑，移除了不必要的 NIN 层以自动适应网络生长，并在生成器的色彩映射层引入了权重归一化技术，进一步提升了训练效率与效果。此外，它不强制依赖特定的 CelebA 数据集，用户只需准备自有图片文件夹即可轻松启动训练。\n\n这款工具非常适合具备一定深度学习基础的 AI 研究人员、算法工程师及开发者使用。如果你希望深入研究生成式模型的内部机制，或者需要在自定义数据集上复现高质量的人脸生成实验，pggan-pytorch 提供了一个灵活且高效的代码基准。配合 TensorBoard 可视化与线性插值生成功能，它能帮助用户直观地观察模型从模糊到清晰的完整进化过程。","## Pytorch Implementation of \"Progressive growing GAN (PGGAN)\"\nPyTorch implementation of [PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION](http:\u002F\u002Fresearch.nvidia.com\u002Fsites\u002Fdefault\u002Ffiles\u002Fpubs\u002F2017-10_Progressive-Growing-of\u002F\u002Fkarras2017gan-paper.pdf)   \n__YOUR CONTRIBUTION IS INVALUABLE FOR THIS PROJECT :)__ \n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_4aeb548fb71f.png)\n\n## What's different from official paper?\n+ original: trans(G)-->trans(D)-->stab \u002F my code: trans(G)-->stab-->transition(D)-->stab\n+ no use of NIN layer. The unnecessary layers (like low-resolution blocks) are automatically flushed out and grow.\n+ used torch.utils.weight_norm for to_rgb_layer of generator.\n+ No need to implement the the Celeb A data, Just come with your own dataset :)\n\n## How to use?\n__[step 1.] Prepare dataset__   \nThe author of progressive GAN released CelebA-HQ dataset, and which Nash is working on over on the branch that i forked this from. For my version just make sure that all images are the children of that folder that you declare in Config.py. Also i warn you that if you use multiple classes, they should be similar as to not end up with attrocities. \n\n~~~\n---------------------------------------------\nThe training data folder should look like : \n\u003Ctrain_data_root>\n                |--Your Folder\n                        |--image 1\n                        |--image 2\n                        |--image 3 ...\n---------------------------------------------\n~~~\n\n__[step 2.] Prepare environment using virtualenv__   \n  + you can easily set PyTorch (v0.3) and TensorFlow environment using virtualenv.\n  + CAUTION: if you have trouble installing PyTorch, install it mansually using pip. [[PyTorch Install]](http:\u002F\u002Fpytorch.org\u002F)\n  + For install please take your time and install all dependencies of PyTorch and also install tensorflow\n  \n  ~~~\n  $ virtualenv --python=python2.7 venv\n  $ . venv\u002Fbin\u002Factivate\n  $ pip install -r requirements.txt\n  $ conda install pytorch torchvision -c pytorch\n  ~~~\n\n\n\n__[step 3.] Run training__      \n+ edit `config.py` to change parameters. (don't forget to change path to training images)\n+ specify which gpu devices to be used, and change \"n_gpu\" option in `config.py` to support Multi-GPU training.\n+ run and enjoy!  \n\n~~~~\n  (example)\n  If using Single-GPU (device_id = 0):\n  $ vim config.py   -->   change \"n_gpu=1\"\n  $ CUDA_VISIBLE_DEVICES=0 python trainer.py\n  \n  If using Multi-GPUs (device id = 1,3,7):\n  $ vim config.py   -->   change \"n_gpu=3\"\n  $ CUDA_VISIBLE_DEVICES=1,3,7 python trainer.py\n~~~~\n \n  \n__[step 4.] Display on tensorboard__   (At the moment skip this part)\n+ you can check the results on tensorboard.\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_b2c173329d3c.png\" width=\"700\">\u003C\u002Fp>   \n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9bb12bb5dd0e.png\" width=\"700\" align=\"center\">\u003C\u002Fp>   \n\n  ~~~\n  $ tensorboard --logdir repo\u002Ftensorboard --port 8888\n  $ \u003Chost_ip>:8888 at your browser.\n  ~~~\n  \n  \n__[step 5.] Generate fake images using linear interpolation__   \n~~~\nCUDA_VISIBLE_DEVICES=0 python generate_interpolated.py\n~~~\n  \n  \n## Experimental results   \nThe result of higher resolution(larger than 256x256) will be updated soon.  \n\n__Generated Images__\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_21d616bbcabf.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_3dbf462df4da.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9d1464702fad.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_74a7e51a1866.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_7d4e176c2ec8.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_d6da220e9a57.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9bead47e5423.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_faf774ad6db6.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_fd6cc024cda6.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_3aac634e39ed.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_c55f6c5603c4.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_91afc1441072.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_4e02e88b6fc7.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_5d4922eb1c20.jpg\" width=\"430\" height=\"430\">  \n\n\n__Loss Curve__\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_393480edda25.png)\n\n## To-Do List (will be implemented soon)\n- [ ] Support WGAN-GP loss\n- [ ] training resuming functionality.\n- [ ] loading CelebA-HQ dataset (for 512x512 and 1024x0124 training)\n\n\n## Compatability\n+ cuda v8.0 (if you dont have it dont worry)\n+ Tesla P40 (you may need more than 12GB Memory. If not, please adjust the batch_table in `dataloader.py`)\n\n\n## Acknowledgement\n+ [tkarras\u002Fprogressive_growing_of_gans](https:\u002F\u002Fgithub.com\u002Ftkarras\u002Fprogressive_growing_of_gans)\n+ [nashory\u002Fprogressive-growing-torch](https:\u002F\u002Fgithub.com\u002Fnashory\u002Fprogressive-growing-torch)\n+ [TuXiaokang\u002FDCGAN.PyTorch](https:\u002F\u002Fgithub.com\u002FTuXiaokang\u002FDCGAN.PyTorch)\n\n##\n## Author\nMinchulShin, [@nashory](https:\u002F\u002Fgithub.com\u002Fnashory)  \n## Contributors\nDeMarcus Edwards, [@Djmcflush](https:\u002F\u002Fgithub.com\u002FDjmcflush)       \nMakeDirtyCode, [@MakeDirtyCode](https:\u002F\u002Fgithub.com\u002FMakeDirtyCode)      \nYuan Zhao, [@yuanzhaoYZ](https:\u002F\u002Fgithub.com\u002FyuanzhaoYZ)      \nzhanpengpan, [@szupzp](https:\u002F\u002Fgithub.com\u002Fszupzp)       \n\n","## “渐进式生成对抗网络（PGGAN）”的 PyTorch 实现\n基于 [PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION](http:\u002F\u002Fresearch.nvidia.com\u002Fsites\u002Fdefault\u002Ffiles\u002Fpubs\u002F2017-10_Progressive-Growing-of\u002F\u002Fkarras2017gan-paper.pdf) 的 PyTorch 实现  \n__您的贡献对本项目至关重要 :)__ \n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_4aeb548fb71f.png)\n\n## 与官方论文相比有哪些不同？\n+ 原文：trans(G)-->trans(D)-->stab \u002F 我的代码：trans(G)-->stab-->transition(D)-->stab\n+ 不使用 NIN 层。不必要的层（如低分辨率块）会自动被移除并逐步生长。\n+ 在生成器的 to_rgb_layer 中使用了 torch.utils.weight_norm。\n+ 无需实现 Celeb A 数据集，只需准备您自己的数据集即可 :)\n\n## 如何使用？\n__[步骤 1.] 准备数据集__   \n渐进式 GAN 的作者发布了 CelebA-HQ 数据集，而 Nash 正在基于我 fork 的分支上进行相关工作。对于我的版本，只需确保所有图像都位于您在 Config.py 中声明的文件夹下即可。另外提醒您，如果使用多类别数据集，它们应尽量相似，以免生成结果出现异常。\n\n~~~\n---------------------------------------------\n训练数据文件夹结构应如下：\n\u003Ctrain_data_root>\n                |--Your Folder\n                        |--image 1\n                        |--image 2\n                        |--image 3 ...\n---------------------------------------------\n~~~\n\n__[步骤 2.] 使用 virtualenv 准备环境__   \n  + 您可以轻松地使用 virtualenv 设置 PyTorch (v0.3) 和 TensorFlow 环境。\n  + 注意：如果您在安装 PyTorch 时遇到问题，请使用 pip 手动安装。[[PyTorch 安装]](http:\u002F\u002Fpytorch.org\u002F)\n  + 请花时间安装 PyTorch 的所有依赖项，并同时安装 tensorflow。\n\n  ~~~\n  $ virtualenv --python=python2.7 venv\n  $ . venv\u002Fbin\u002Factivate\n  $ pip install -r requirements.txt\n  $ conda install pytorch torchvision -c pytorch\n  ~~~\n\n\n\n__[步骤 3.] 开始训练__      \n+ 编辑 `config.py` 来修改参数。（别忘了更改训练图像的路径）\n+ 指定要使用的 GPU 设备，并在 `config.py` 中将 “n_gpu” 选项调整为支持多 GPU 训练。\n+ 运行并享受吧！  \n\n~~~~\n  （示例）\n  如果使用单 GPU（device_id = 0）：\n  $ vim config.py   -->   更改 \"n_gpu=1\"\n  $ CUDA_VISIBLE_DEVICES=0 python trainer.py\n  \n  如果使用多 GPU（device id = 1,3,7）：\n  $ vim config.py   -->   更改 \"n_gpu=3\"\n  $ CUDA_VISIBLE_DEVICES=1,3,7 python trainer.py\n~~~~\n  \n  \n__[步骤 4.] 在 tensorboard 上展示结果__   （目前跳过此部分）\n+ 您可以在 tensorboard 上查看训练结果。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_b2c173329d3c.png\" width=\"700\">\u003C\u002Fp>   \n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9bb12bb5dd0e.png\" width=\"700\" align=\"center\">\u003C\u002Fp>   \n\n  ~~~\n  $ tensorboard --logdir repo\u002Ftensorboard --port 8888\n  $ 在浏览器中访问 \u003Chost_ip>:8888。\n  ~~~\n  \n  \n__[步骤 5.] 使用线性插值生成假图像__   \n~~~\nCUDA_VISIBLE_DEVICES=0 python generate_interpolated.py\n~~~\n  \n  \n## 实验结果   \n更高分辨率（大于 256x256）的结果将很快更新。  \n\n__生成的图像__\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_21d616bbcabf.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_3dbf462df4da.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9d1464702fad.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_74a7e51a1866.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_7d4e176c2ec8.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_d6da220e9a57.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_9bead47e5423.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_faf774ad6db6.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_fd6cc024cda6.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_3aac634e39ed.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_c55f6c5603c4.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_91afc1441072.jpg\" width=\"430\" height=\"430\">  \n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_4e02e88b6fc7.gif\" width=\"430\" height=\"430\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_5d4922eb1c20.jpg\" width=\"430\" height=\"430\">  \n\n\n__损失曲线__\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_readme_393480edda25.png)\n\n## 待办事项列表（即将实现）\n- [ ] 支持 WGAN-GP 损失函数\n- [ ] 添加训练恢复功能\n- [ ] 加载 CelebA-HQ 数据集（用于 512x512 和 1024x1024 的训练）\n\n\n## 兼容性\n+ cuda v8.0（如果没有也没关系）\n+ Tesla P40（可能需要超过 12GB 显存。如果没有，请调整 `dataloader.py` 中的 batch_table）\n\n\n## 致谢\n+ [tkarras\u002Fprogressive_growing_of_gans](https:\u002F\u002Fgithub.com\u002Ftkarras\u002Fprogressive_growing_of_gans)\n+ [nashory\u002Fprogressive-growing-torch](https:\u002F\u002Fgithub.com\u002Fnashory\u002Fprogressive-growing-torch)\n+ [TuXiaokang\u002FDCGAN.PyTorch](https:\u002F\u002Fgithub.com\u002FTuXiaokang\u002FDCGAN.PyTorch)\n\n##\n## 作者\nMinchulShin，[@nashory](https:\u002F\u002Fgithub.com\u002Fnashory)  \n## 贡献者\nDeMarcus Edwards，[@Djmcflush](https:\u002F\u002Fgithub.com\u002FDjmcflush)       \nMakeDirtyCode，[@MakeDirtyCode](https:\u002F\u002Fgithub.com\u002FMakeDirtyCode)      \nYuan Zhao，[@yuanzhaoYZ](https:\u002F\u002Fgithub.com\u002FyuanzhaoYZ)      \nzhanpengpan，[@szupzp](https:\u002F\u002Fgithub.com\u002Fszupzp)","# pggan-pytorch 快速上手指南\n\n本指南基于 `pggan-pytorch` 项目，帮助开发者快速搭建环境并运行渐进式生成对抗网络（Progressive Growing GAN）进行图像生成训练。\n\n## 1. 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 (推荐) 或 macOS\n*   **Python 版本**: Python 2.7 (原项目基于此版本，若使用 Python 3 可能需要修改部分代码)\n*   **GPU 支持**: NVIDIA GPU (推荐显存 ≥ 12GB，如 Tesla P40；若显存较小需调整 `dataloader.py` 中的 `batch_table`)\n*   **CUDA 版本**: CUDA 8.0 或更高版本\n*   **前置依赖**:\n    *   PyTorch (v0.3 或兼容版本)\n    *   TensorFlow (用于 TensorBoard 可视化)\n    *   virtualenv\n\n> **注意**：国内用户安装 PyTorch 时，若官方源下载缓慢，可使用清华或中科大镜像源加速。\n\n## 2. 安装步骤\n\n### 2.1 创建虚拟环境\n建议使用 `virtualenv` 隔离环境，避免依赖冲突。\n\n```bash\n# 创建基于 Python 2.7 的虚拟环境\nvirtualenv --python=python2.7 venv\n\n# 激活虚拟环境\nsource venv\u002Fbin\u002Factivate\n```\n\n### 2.2 安装依赖包\n安装项目所需的 Python 依赖库。\n\n```bash\n# 安装 requirements.txt 中的依赖\npip install -r requirements.txt\n```\n\n### 2.3 安装深度学习框架\n手动安装 PyTorch 和 torchvision。国内用户推荐使用清华镜像源加速安装：\n\n```bash\n# 使用清华镜像源安装 PyTorch (示例命令，具体版本请参考 pytorch.org 历史版本)\npip install torch==0.3.0 torchvision==0.2.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 如果上述命令不适用，也可尝试 conda 安装 (需先安装 Anaconda\u002FMiniconda)\n# conda install pytorch torchvision -c pytorch\n```\n\n同时确保已安装 TensorFlow 以支持后续的可视化功能：\n```bash\npip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 3. 基本使用\n\n### 3.1 准备数据集\n将您的训练图片整理到同一个文件夹中。**注意**：所有图片应直接位于该文件夹下，不要包含子目录。如果使用多类别数据，请确保类别间相似度高，以免训练效果不佳。\n\n目录结构示例：\n```text\n\u003Ctrain_data_root>\n    |-- Your Folder\n            |-- image 1.jpg\n            |-- image 2.png\n            |-- image 3.jpg ...\n```\n\n### 3.2 配置参数\n编辑根目录下的 `config.py` 文件：\n1.  修改数据路径指向您准备好的 `\u003Ctrain_data_root>\u002FYour Folder`。\n2.  根据显卡情况设置 `n_gpu` 参数。\n\n### 3.3 开始训练\n\n**单卡训练示例** (使用设备 ID 0)：\n\n```bash\n# 编辑 config.py 设置 n_gpu=1\nvim config.py\n\n# 启动训练\nCUDA_VISIBLE_DEVICES=0 python trainer.py\n```\n\n**多卡训练示例** (使用设备 ID 1, 3, 7)：\n\n```bash\n# 编辑 config.py 设置 n_gpu=3 (对应使用的显卡数量)\nvim config.py\n\n# 启动训练\nCUDA_VISIBLE_DEVICES=1,3,7 python trainer.py\n```\n\n### 3.4 查看结果与生成图像\n\n*   **可视化监控** (可选)：\n    训练过程中可通过 TensorBoard 查看损失曲线和生成效果。\n    ```bash\n    tensorboard --logdir repo\u002Ftensorboard --port 8888\n    # 在浏览器访问 http:\u002F\u002F\u003Chost_ip>:8888\n    ```\n\n*   **生成插值图像**：\n    训练完成后，运行以下脚本生成线性插值的假图像：\n    ```bash\n    CUDA_VISIBLE_DEVICES=0 python generate_interpolated.py\n    ```","某时尚电商公司的算法团队需要为新款服装系列生成高分辨率、多样化的虚拟模特展示图，以丰富营销素材库。\n\n### 没有 pggan-pytorch 时\n- **训练极不稳定**：直接训练高分辨率（如 1024x1024）图像时，模型容易崩溃或产生模糊伪影，难以收敛。\n- **细节丢失严重**：生成的服装纹理粗糙，缺乏布料质感和精细褶皱，无法满足商业修图标准。\n- **数据准备繁琐**：官方实现强依赖特定的 CelebA-HQ 数据集格式，团队需花费大量时间重写数据加载器以适配自有服装库。\n- **硬件资源浪费**：缺乏有效的多 GPU 支持配置，导致昂贵的算力集群利用率低，训练周期长达数周。\n\n### 使用 pggan-pytorch 后\n- **渐进式稳定训练**：利用从低分辨率到高分辨率的渐进生长策略，模型训练过程平滑稳定，轻松生成清晰的高清大图。\n- **逼真细节呈现**：生成的图像在人脸五官及服装面料纹理上高度逼真，甚至能还原细微的光影变化，直接可用。\n- **灵活数据接入**：无需修改核心代码，只需将自有的服装图片放入指定文件夹并简单配置 `config.py` 即可启动训练。\n- **高效多卡并行**：通过修改配置文件即可轻松启用多 GPU 训练模式，显著缩短训练时间，快速迭代不同款式的效果。\n\npggan-pytorch 通过渐进式生长机制和灵活的工程实现，让企业能够低成本、高效率地构建专属的高清图像生成流水线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnashory_pggan-pytorch_4814d10a.png","nashory","Minchul Shin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnashory_def50660.jpg","Computer Vision Engineer at Meta Reality Labs (2022-present) | ex-RS at kakaobrain (2021-2022) | ex-SWE at NAVER (2017-2021)","Meta Reality Labs","Zurich, Switzerland","min.stellastra@gmail.com","CraigStarrAI",null,"https:\u002F\u002Fgithub.com\u002Fnashory",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0,827,132,"2026-04-02T03:03:50","MIT",4,"Linux","必需 NVIDIA GPU，推荐 Tesla P40 或更高，显存需 12GB+（若不足需在 dataloader.py 中调整 batch_table），CUDA v8.0+","未说明",{"notes":101,"python":102,"dependencies":103},"该项目基于较旧的 PyTorch 0.3 和 Python 2.7 开发。支持单卡和多卡训练，需通过修改 config.py 配置 GPU 数量和数据集路径。若显存不足，需手动调整代码中的批次大小设置。","2.7",[104,105,106],"torch==0.3","tensorflow","virtualenv",[15,16,14],[109,110,111,112,113,114,115],"generative-adversarial-network","progressive-gan","pytorch","celeba-hq-dataset","gan","progressively-growing-gan","tensorboard","2026-03-27T02:49:30.150509","2026-04-06T17:15:47.028090",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},19553,"遇到 'Generator' object has no attribute 'module' 错误怎么办？","该错误通常与 PyTorch 版本不兼容有关。原代码是基于 PyTorch 0.3.0 编写的。如果您使用的是 PyTorch 0.4.0 或更高版本，可能需要修改代码以适应新版本的数据并行包装机制，或者使用针对特定版本重构的代码库。建议尝试在 PyTorch 0.3.0.post4 环境下运行，或者检查是否需要对 `self.G.module` 的调用方式进行适配。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F20",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},19554,"运行时报错 'The requirement of size is a int, but here get a tuple' 如何解决？","这是由于 `torchvision` 版本过旧导致的 API 不兼容问题。请将 `torchvision` 升级到 0.2.0 或更高版本即可解决此问题。执行命令：`pip install torchvision==0.2.0`（或更新到最新稳定版）。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F9",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},19555,"应该使用哪个版本的 PyTorch 以避免兼容性错误？","不同版本的 PyTorch（如 1.0, 0.3, 0.4）均报告过兼容性错误（如类型不匹配、RandomSampler 错误等）。根据社区反馈，推荐使用 **PyTorch 0.4.1** 版本，该版本在当前项目中运行较为稳定。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F45",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},19556,"加载预训练生成器时出现 'unexpected key'  KeyError 怎么办？","这是因为模型状态字典中的键名与当前代码定义的模型结构不完全匹配。解决方法是修改 `generate_interpolated.py` 文件的第 33 行，将：\n`test_model.module.load_state_dict(checkpoint['state_dict'])`\n改为：\n`test_model.module.load_state_dict(checkpoint['state_dict'], False)`\n通过将 `strict` 参数设置为 `False`，可以忽略不匹配的键并成功加载模型。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F33",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},19557,"PGGAN 原生支持多类别（multi-class）数据集（如 LSUN）的训练吗？","不支持。原始论文中的 PGGAN 训练是无监督的，不包含标签条件。对于像 LSUN 这样的多类别数据集，原作者是为每个类别分别训练独立的网络，而不是使用单个多类别生成器。因此，若要生成特定类别的图像，需要针对每个类别单独训练模型。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F36",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},19558,"如何在其他数据集（如 ImageNet）上获得良好的训练效果？","在该实现中直接训练 ImageNet 等大型数据集可能会导致生成图像质量差（如变成黑灰色块），这可能与超参数设置、数据预处理或实现细节有关。相比之下，原始作者的 Theano 实现在 ImageNet 上表现良好。建议在尝试新数据集时，仔细检查数据加载配置（确保能正确读取图像文件），并可能需要调整学习率、批量大小或归一化方式以适配新数据分布。","https:\u002F\u002Fgithub.com\u002Fnashory\u002Fpggan-pytorch\u002Fissues\u002F19",[]]