[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-taki0112--StarGAN-Tensorflow":3,"tool-taki0112--StarGAN-Tensorflow":62},[4,18,26,35,44,53],{"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},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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"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",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"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":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":80,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":133},7748,"taki0112\u002FStarGAN-Tensorflow","StarGAN-Tensorflow","Simple Tensorflow implementation of StarGAN (CVPR 2018 Oral)","StarGAN-Tensorflow 是经典论文 StarGAN（CVPR 2018 口头报告）的简洁 TensorFlow 实现版本，专注于多领域图像到图像的转换任务。它核心解决了传统方法需要为每一对属性训练单独模型的痛点，通过一个统一的生成器网络，即可灵活地将人脸图像在多种属性间自由切换，例如改变性别、发色、年龄或表情，而无需重新训练模型。\n\n该项目基于 CelebA 数据集构建，支持从数据下载、模型训练到测试生成的完整流程，并提供了预训练的权重文件，方便用户快速验证效果。其技术亮点在于引入了域标签机制和循环一致性损失，不仅实现了高质量的多属性编辑，还保证了生成图像的结构稳定性。代码结构清晰，依赖环境简单（TensorFlow 1.8 + Python 3.6），非常适合希望深入理解生成对抗网络原理的开发者、计算机视觉研究人员以及需要快速搭建多属性编辑原型的工程师使用。对于想要探索图像生成前沿技术的学习者来说，这也是一个极佳的入门参考项目。","\u003Cp align=\"center\">\u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_b1d7c5f15bf7.jpg\" \u002F>\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n## Requirements\n* Tensorflow 1.8\n* Python 3.6\n\n## Usage\n### Downloading the dataset\n```python\n> python download.py celebA\n```\n\n```\n├── dataset\n   └── celebA\n       ├── train\n           ├── 000001.jpg \n           ├── 000002.jpg\n           └── ...\n       ├── test (It is not celebA)\n           ├── a.jpg (The test image that you wanted)\n           ├── b.png\n           └── ...\n       ├── list_attr_celeba.txt (For attribute information) \n```\n\n### Train\n* python main.py --phase train\n\n### Test\n* python main.py --phase test \n* The celebA test image and the image you wanted run simultaneously\n\n### Pretrained model\n* Download [checkpoint for 128x128](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ezwtU1O_rxgNXgJaHcAynVX8KjMt0Ua-)\n\n## Summary\n![overview](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_52d65c1ff7cf.png)\n\n## Results (128x128, wgan-gp)\n### Women\n![women](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_c2c8da2c26ce.png)\n\n### Men\n![men](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_d33a78c14a8d.png)\n\n## Related works\n* [CycleGAN-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FCycleGAN-Tensorflow)\n* [DiscoGAN-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FDiscoGAN-Tensorflow)\n* [UNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FUNIT-Tensorflow)\n* [MUNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FMUNIT-Tensorflow)\n\n## Reference\n* [StarGAN paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09020)\n* [Author pytorch code](https:\u002F\u002Fgithub.com\u002Fyunjey\u002FStarGAN)\n\n## Author\nJunho Kim\n","\u003Cp align=\"center\">\u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_b1d7c5f15bf7.jpg\" \u002F>\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n## 需求\n* Tensorflow 1.8\n* Python 3.6\n\n## 使用方法\n### 下载数据集\n```python\n> python download.py celebA\n```\n\n```\n├── dataset\n   └── celebA\n       ├── train\n           ├── 000001.jpg \n           ├── 000002.jpg\n           └── ...\n       ├── test（这不是celebA数据集）\n           ├── a.jpg（您想要测试的图像）\n           ├── b.png\n           └── ...\n       ├── list_attr_celeba.txt（用于属性信息） \n```\n\n### 训练\n* python main.py --phase train\n\n### 测试\n* python main.py --phase test \n* celebA测试图像和您想要的图像将同时运行\n\n### 预训练模型\n* 下载 [128x128分辨率的检查点](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ezwtU1O_rxgNXgJaHcAynVX8KjMt0Ua-)\n\n## 总结\n![概览](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_52d65c1ff7cf.png)\n\n## 结果（128x128，wgan-gp）\n### 女性\n![女性](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_c2c8da2c26ce.png)\n\n### 男性\n![男性](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_readme_d33a78c14a8d.png)\n\n## 相关工作\n* [CycleGAN-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FCycleGAN-Tensorflow)\n* [DiscoGAN-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FDiscoGAN-Tensorflow)\n* [UNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FUNIT-Tensorflow)\n* [MUNIT-Tensorflow](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FMUNIT-Tensorflow)\n\n## 参考文献\n* [StarGAN论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09020)\n* [作者的PyTorch代码](https:\u002F\u002Fgithub.com\u002Fyunjey\u002FStarGAN)\n\n## 作者\nJunho Kim","# StarGAN-Tensorflow 快速上手指南\n\nStarGAN 是一个能够利用单一模型对图像进行多领域属性编辑（如改变人脸的发色、性别、年龄等）的生成对抗网络。本指南基于 TensorFlow 实现，帮助开发者快速运行该项目。\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严格要求：\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows (需配置好 Python 环境)\n*   **Python 版本**: 3.6\n*   **深度学习框架**: TensorFlow 1.8\n*   **其他依赖**: 建议安装 `numpy`, `scipy`, `pillow` 等常用图像处理库（通常 `pip install` 对应包名即可）。\n\n> **注意**：由于项目指定了较旧的 TensorFlow 1.8 版本，建议使用虚拟环境（如 `venv` 或 `conda`）进行隔离安装，以避免与现有环境冲突。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow.git\n    cd StarGAN-Tensorflow\n    ```\n\n2.  **安装依赖**\n    虽然 README 未提供 `requirements.txt`，但根据核心要求，请执行以下命令安装特定版本：\n    ```bash\n    pip install tensorflow==1.8\n    pip install python-dateutil==2.7.5 # 兼容 TF 1.8 的常见依赖修复\n    ```\n    *(注：若遇到其他缺失库报错，请使用 `pip install \u003C库名>` 补充)*\n\n3.  **下载数据集**\n    使用项目自带的脚本下载 CelebA 人脸数据集：\n    ```python\n    python download.py celebA\n    ```\n    下载完成后，目录结构应如下所示：\n    ```text\n    ├── dataset\n      └── celebA\n          ├── train       # 训练图片\n          ├── test        # 测试图片（可放入自定义图片）\n          └── list_attr_celeba.txt # 属性标签文件\n    ```\n\n4.  **下载预训练模型（可选）**\n    如果您只想进行测试而不想重新训练，可以下载作者提供的 128x128 分辨率检查点：\n    *   下载地址：[Google Drive Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ezwtU1O_rxgNXgJaHcAynVX8KjMt0Ua-)\n    *   将下载的文件解压并放置于项目根目录或代码指定的 `checkpoint` 文件夹中。\n\n## 基本使用\n\n### 1. 训练模型\n启动训练过程，模型将学习 CelebA 数据集的属性变换：\n```bash\npython main.py --phase train\n```\n\n### 2. 测试与图像生成\n使用训练好的模型（或预训练模型）进行属性编辑测试。该命令会同时处理 CelebA 测试集图片和您放入 `dataset\u002FcelebA\u002Ftest` 目录下的自定义图片：\n```bash\npython main.py --phase test\n```\n\n生成的结果图片通常保存在 `results` 或类似的输出目录中，您可以查看不同属性（如黑发变金发、男性变女性等）的转换效果。","某电商平台的视觉设计团队需要为同一位模特快速生成佩戴不同配饰（如眼镜、帽子）或改变发型的多版本宣传图，以测试不同造型对转化率的影响。\n\n### 没有 StarGAN-Tensorflow 时\n- **多模型维护成本高**：若要实现“加眼镜”、“变白发”、“戴帽子”等多种变换，需针对每种属性单独训练一个 GAN 模型，导致服务器显存占用巨大且管理混乱。\n- **数据配对困难**：传统方法往往需要成对的训练数据（即同一人有无配饰的精确对比照），而现实中很难收集到如此完美对齐的大规模数据集。\n- **图像一致性差**：分别使用不同模型处理同一张底图时，模特的面部特征（如五官细节、肤色）容易发生不可控的漂移，导致生成的图片看起来不像同一个人。\n- **迭代周期漫长**：每次新增一种编辑需求（如增加“胡须”属性），都需要重新采集数据并从头训练新模型，严重拖慢营销活动的上线速度。\n\n### 使用 StarGAN-Tensorflow 后\n- **单模型统一多任务**：只需训练一个 StarGAN-Tensorflow 模型，即可通过调整标签向量同时实现性别、发色、年龄及配饰等多种属性的灵活变换，大幅降低部署复杂度。\n- **无需成对数据**：直接利用 CelebA 等未配对的大规模人脸数据集进行训练，模型能自动学习属性分布，解决了数据对齐的难题。\n- **身份特征高度保持**：在改变特定属性的同时，StarGAN-Tensorflow 能极好地保留源图像中无关的背景和人物身份特征，确保所有生成图均为同一模特。\n- **敏捷响应新需求**：新增编辑属性仅需在现有架构上微调或扩展标签空间，无需重构整个流水线，使设计团队能在数小时内产出新的测试素材。\n\nStarGAN-Tensorflow 通过单一模型实现了多领域图像到图像的转换，将原本繁琐的多模型训练流程简化为高效的统一生成任务，极大提升了视觉内容的生产灵活性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftaki0112_StarGAN-Tensorflow_c2c8da2c.png","taki0112","Junho Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftaki0112_c016fc7a.jpg","Research Scientist","NAVER AI Lab","South Korea","slaykim.ai@gmail.com",null,"taki0112.notion.site","https:\u002F\u002Fgithub.com\u002Ftaki0112",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,711,156,"2026-04-11T02:18:50","MIT","","未说明",{"notes":95,"python":96,"dependencies":97},"该工具基于较旧的 TensorFlow 1.8 版本，建议在使用前确认环境兼容性。训练和测试使用 CelebA 数据集，需运行下载脚本获取数据。提供了针对 128x128 分辨率的预训练模型下载链接。","3.6",[98],"tensorflow==1.8",[15],"2026-03-27T02:49:30.150509","2026-04-16T01:44:49.000709",[103,108,113,118,123,128],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},34685,"该项目是否支持 RaFD 数据集进行面部表情合成？","目前代码尚未实现 RaFD 数据集的支持。因为维护者无法获取 RaFD 数据集，所以暂时没有编写相关代码。如果有更新，会在未来补充，但目前请使用 CelebA 等其他支持的数据集。","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F6",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},34683,"如何在使用预训练模型测试时设置自定义标签（custom_label）？","`custom_label` 代表你分配给图像的标签列表。例如，如果你的图像属性是“金发、女性、年轻”，对应的标签列表可能是 `[0, 1, 0, 0, 1]`。\n在命令行运行时，不要使用方括号或逗号，而应将数字用空格分隔。正确命令格式如下：\n`python main.py --phase test --custom_label 0 1 0 0 1`\n如果使用了 `--selected_attrs` 参数，命令示例：\n`python3 main.py --phase=test --selected_attrs=['Black_Hair','Blond_Hair','Brown_Hair','Male','Young'] --custom_label=1 0 0 0 0`","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F8",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},34684,"运行代码时遇到 'ImportError: cannot import name prefetch_to_device' 或 'AttributeError: module object has no attribute data' 错误怎么办？","这通常是由于 TensorFlow 版本不兼容导致的。维护者测试通过的版本是 TensorFlow 1.8。如果你使用的是其他版本（特别是较新版本中 `tf.contrib` 模块已被移除或更改），请尝试升级或降级到 TensorFlow 1.8 版本来解决此问题。","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F9",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},34686,"为什么按照首页说明运行 `python download.py celebA` 无法下载数据集？","这是因为如果项目中已经存在 `celebA` 目录，下载脚本会跳过下载步骤。如果你克隆了项目且该目录已存在（即使为空或是示例目录），脚本会认为数据已存在从而不执行下载。解决方法是手动删除现有的 `celebA` 文件夹，或者确保该目录不存在后再运行下载命令。维护者已针对此逻辑进行了修改。","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},34687,"代码中是否包含原始论文中提到的掩码（mask）部分？","当前代码库中没有包含掩码（mask）相关的实现。这是因为掩码主要用于 RaFD 数据集，而由于无法获取该数据集，维护者尚未实现这部分功能。","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F5",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},34688,"测试图像尺寸为 128*128 时，生成的结果是否合理？默认参数如何运行？","可以使用默认参数直接运行，只需将你的测试图像放入指定的测试目录（test directory）中即可。命令示例：\n`python main.py --phase test`\n系统会自动读取目录下的图像并生成结果。关于 128*128 尺寸的结果合理性，通常取决于具体任务，但代码支持该分辨率的输入。","https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FStarGAN-Tensorflow\u002Fissues\u002F4",[]]