[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorlayer--SRGAN":3,"tool-tensorlayer--SRGAN":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":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":79,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":98,"github_topics":99,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":141},3754,"tensorlayer\u002FSRGAN","SRGAN","Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network","SRGAN 是一款基于生成对抗网络（GAN）的开源图像超分辨率工具，旨在将低分辨率图片重建为逼真的超高清图像。传统放大算法往往导致画面模糊或出现锯齿，而 SRGAN 通过独特的“生成器 - 判别器”对抗训练机制，不仅能恢复图像细节，更能合成符合人眼视觉习惯的自然纹理，显著提升了图像的感知质量，实现了照片级的复原效果。\n\n该项目完整复现了经典的学术论文成果，并依托 TensorLayerX 框架进行了现代化升级。其核心技术亮点在于强大的框架兼容性：用户只需修改一行代码，即可在 TensorFlow、PyTorch、PaddlePaddle 或 MindSpore 等不同深度学习后端之间灵活切换，极大地降低了跨平台部署的门槛。此外，项目提供了针对 DIV2K 等标准数据集的预训练模型及详细的训练指南，支持用户利用自定义数据进行微调。\n\nSRGAN 非常适合计算机视觉研究人员、AI 开发者以及需要处理老旧照片或低清素材的设计师使用。对于希望深入理解生成式模型原理的技术人员，它也是极佳的学习范例；而对于普通用户，若具备一定的编程基础，亦可借助该工具提升影像画质。","## Super Resolution Examples\n\n- Implementation of [\"Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802)\n\n- For earlier version, please check [srgan release](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fsrgan\u002Freleases) and [tensorlayer](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayer).\n\n- For more computer vision applications, check [TLXCV](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTLXCV)\n\n\n### SRGAN Architecture\n\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_48a3c478c28a.jpeg\" width=\"80%\" height=\"10%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_0fb5a2ec1d4a.png\" width=\"80%\" height=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\n### Prepare Data and Pre-trained VGG\n\n- 1. You need to download the pretrained VGG19 model weights in [here](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CLw6Cn3yNI1N15HyX99_Zy9QnDcgP3q7\u002Fview?usp=sharing).\n- 2. You need to have the high resolution images for training.\n  -  In this experiment, I used images from [DIV2K - bicubic downscaling x4 competition](http:\u002F\u002Fwww.vision.ee.ethz.ch\u002Fntire17\u002F), so the hyper-paremeters in `config.py` (like number of epochs) are seleted basic on that dataset, if you change a larger dataset you can reduce the number of epochs. \n  -  If you dont want to use DIV2K dataset, you can also use [Yahoo MirFlickr25k](http:\u002F\u002Fpress.liacs.nl\u002Fmirflickr\u002Fmirdownload.html), just simply download it using `train_hr_imgs = tl.files.load_flickr25k_dataset(tag=None)` in `main.py`. \n  -  If you want to use your own images, you can set the path to your image folder via `config.TRAIN.hr_img_path` in `config.py`.\n\n\n\n### Run\n\n🔥🔥🔥🔥🔥🔥 You need install [TensorLayerX](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX#installation) at first!\n\n🔥🔥🔥🔥🔥🔥 Please install TensorLayerX via source\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayerx.git \n```\n\n#### Train\n- Set your image folder in `config.py`, if you download [DIV2K - bicubic downscaling x4 competition](http:\u002F\u002Fwww.vision.ee.ethz.ch\u002Fntire17\u002F) dataset, you don't need to change it. \n- Other links for DIV2K, in case you can't find it : [test\\_LR\\_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002Fvalidation_release\u002FDIV2K_test_LR_bicubic_X4.zip), [train_HR](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_train_HR.zip), [train\\_LR\\_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_train_LR_bicubic_X4.zip), [valid_HR](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002Fvalidation_release\u002FDIV2K_valid_HR.zip), [valid\\_LR\\_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_valid_LR_bicubic_X4.zip).\n\n```python\nconfig.TRAIN.img_path = \"your_image_folder\u002F\"\n```\nYour directory structure should look like this:\n\n```\nsrgan\u002F\n    └── config.py\n    └── srgan.py\n    └── train.py\n    └── vgg.py\n    └── model\n          └── vgg19.npy\n    └── DIV2K\n          └── DIV2K_train_HR\n          ├── DIV2K_train_LR_bicubic\n          ├── DIV2K_valid_HR\n          └── DIV2K_valid_LR_bicubic\n\n```\n\n- Start training.\n\n```bash\npython train.py\n```\n\n🔥Modify a line of code in **train.py**, easily switch to any framework!\n\n```python\nimport os\nos.environ['TL_BACKEND'] = 'tensorflow'\n# os.environ['TL_BACKEND'] = 'mindspore'\n# os.environ['TL_BACKEND'] = 'paddle'\n# os.environ['TL_BACKEND'] = 'pytorch'\n```\n🚧 We will support PyTorch as Backend soon.\n\n\n#### Evaluation.\n\n🔥 We have trained SRGAN on DIV2K dataset.\n🔥 Download model weights as follows.\n\n|              | SRGAN_g | SRGAN_d | \n|------------- |---------|---------|\n| TensorFlow   | [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F118uUg3oce_3NZQCIWHVjmA?pwd=p9li), [Googledrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GlU9At-5XEDilgnt326fyClvZB_fsaFZ\u002Fview?usp=sharing) |[Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1DOpGzDJY5PyusKzaKqbLOg?pwd=g2iy), [Googledrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1RpOtVcVK-yxnVhNH4KSjnXHDvuU_pq3j\u002Fview?usp=sharing)   |        \n| PaddlePaddle | [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ngBpleV5vQZQqNE_8djDIg?pwd=s8wc), [Googledrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GRNt_ZsgorB19qvwN5gE6W9a_bIPLkg1\u002Fview?usp=sharing)  | [Baidu](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nSefLNRanFImf1DskSVpCg?pwd=befc), [Googledrive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Jf6W1ZPdgtmUSfrQ5mMZDB_hOCVU-zFo\u002Fview?usp=sharing)   |         \n| MindSpore    | 🚧Coming soon!    | 🚧Coming soon!     |         \n| PyTorch      | 🚧Coming soon!    | 🚧Coming soon!     |\n\n\nDownload weights file and put weights under the folder srgan\u002Fmodels\u002F.\n\nYour directory structure should look like this:\n\n```\nsrgan\u002F\n    └── config.py\n    └── srgan.py\n    └── train.py\n    └── vgg.py\n    └── model\n          └── vgg19.npy\n    └── DIV2K\n          ├── DIV2K_train_HR\n          ├── DIV2K_train_LR_bicubic\n          ├── DIV2K_valid_HR\n          └── DIV2K_valid_LR_bicubic\n    └── models\n          ├── g.npz  # You should rename the weigths file. \n          └── d.npz  # If you set os.environ['TL_BACKEND'] = 'tensorflow',you should rename srgan-g-tensorflow.npz to g.npz .\n\n```\n\n- Start evaluation.\n```bash\npython train.py --mode=eval\n```\n\nResults will be saved under the folder srgan\u002Fsamples\u002F. \n\n### Results\n\n\u003Ca href=\"http:\u002F\u002Ftensorlayer.readthedocs.io\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_09c1537d044c.png\" width=\"80%\" height=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\n\n### Reference\n* [1] [Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802)\n* [2] [Is the deconvolution layer the same as a convolutional layer ?](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.07009)\n\n\n\n### Citation\nIf you find this project useful, we would be grateful if you cite the TensorLayer paper：\n\n```\n@article{tensorlayer2017,\nauthor = {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike},\njournal = {ACM Multimedia},\ntitle = {{TensorLayer: A Versatile Library for Efficient Deep Learning Development}},\nurl = {http:\u002F\u002Ftensorlayer.org},\nyear = {2017}\n}\n\n@inproceedings{tensorlayer2021,\n  title={TensorLayer 3.0: A Deep Learning Library Compatible With Multiple Backends},\n  author={Lai, Cheng and Han, Jiarong and Dong, Hao},\n  booktitle={2021 IEEE International Conference on Multimedia \\& Expo Workshops (ICMEW)},\n  pages={1--3},\n  year={2021},\n  organization={IEEE}\n}\n```\n\n### Other Projects\n\n- [Style Transfer](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fadaptive-style-transfer)\n- [Pose Estimation](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fopenpose)\n\n### Discussion\n\n- [TensorLayer Slack](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Ftensorlayer\u002Fshared_invite\u002FenQtMjUyMjczMzU2Njg4LWI0MWU0MDFkOWY2YjQ4YjVhMzI5M2VlZmE4YTNhNGY1NjZhMzUwMmQ2MTc0YWRjMjQzMjdjMTg2MWQ2ZWJhYzc)\n- [TensorLayer WeChat](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayer-chinese\u002Fblob\u002Fmaster\u002Fdocs\u002Fwechat_group.md)\n\n### License\n\n- For academic and non-commercial use only.\n- For commercial use, please contact tensorlayer@gmail.com.\n","## 超分辨率示例\n\n- 实现了 [\"使用生成对抗网络进行照片级单张图像超分辨率\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802)\n\n- 如需早期版本，请查看 [srgan 发布](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fsrgan\u002Freleases) 和 [tensorlayer](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayer)。\n\n- 更多计算机视觉应用，请参阅 [TLXCV](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTLXCV)\n\n\n### SRGAN 架构\n\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_48a3c478c28a.jpeg\" width=\"80%\" height=\"10%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_0fb5a2ec1d4a.png\" width=\"80%\" height=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\n### 准备数据与预训练 VGG\n\n- 1. 您需要在此处下载预训练的 VGG19 模型权重：[链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CLw6Cn3yNI1N15HyX99_Zy9QnDcgP3q7\u002Fview?usp=sharing)。\n- 2. 您需要准备用于训练的高分辨率图像。\n  - 在本实验中，我使用了 [DIV2K - 双三次下采样 x4 竞赛](http:\u002F\u002Fwww.vision.ee.ethz.ch\u002Fntire17\u002F) 的图像，因此 `config.py` 中的超参数（如 epoch 数）是基于该数据集选择的。如果您使用更大的数据集，可以适当减少 epoch 数。\n  - 如果您不想使用 DIV2K 数据集，也可以使用 [Yahoo MirFlickr25k](http:\u002F\u002Fpress.liacs.nl\u002Fmirflickr\u002Fmirdownload.html)，只需在 `main.py` 中使用 `train_hr_imgs = tl.files.load_flickr25k_dataset(tag=None)` 即可下载。\n  - 如果您想使用自己的图像，可以在 `config.py` 中通过 `config.TRAIN.hr_img_path` 设置您的图像文件夹路径。\n\n\n\n### 运行\n\n🔥🔥🔥🔥🔥🔥 首先需要安装 [TensorLayerX](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX#installation)！\n\n🔥🔥🔥🔥🔥🔥 请通过源码安装 TensorLayerX：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayerx.git \n```\n\n#### 训练\n- 在 `config.py` 中设置您的图像文件夹路径。如果您下载了 [DIV2K - 双三次下采样 x4 竞赛](http:\u002F\u002Fwww.vision.ee.ethz.ch\u002Fntire17\u002F) 的数据集，则无需更改。\n- 其他 DIV2K 数据集的下载链接如下，以防您找不到：[test_LR_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002Fvalidation_release\u002FDIV2K_test_LR_bicubic_X4.zip)、[train_HR](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_train_HR.zip)、[train_LR_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_train_LR_bicubic_X4.zip)、[valid_HR](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002Fvalidation_release\u002FDIV2K_valid_HR.zip)、[valid_LR_bicubic_X4](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002FDIV2K\u002FDIV2K_valid_LR_bicubic_X4.zip)。\n\n```python\nconfig.TRAIN.img_path = \"your_image_folder\u002F\"\n```\n您的目录结构应如下所示：\n\n```\nsrgan\u002F\n    └── config.py\n    └── srgan.py\n    └── train.py\n    └── vgg.py\n    └── model\n          └── vgg19.npy\n    └── DIV2K\n          └── DIV2K_train_HR\n          ├── DIV2K_train_LR_bicubic\n          ├── DIV2K_valid_HR\n          └── DIV2K_valid_LR_bicubic\n\n```\n\n- 开始训练。\n\n```bash\npython train.py\n```\n\n🔥 修改 **train.py** 中的一行代码，即可轻松切换到任何框架！\n\n```python\nimport os\nos.environ['TL_BACKEND'] = 'tensorflow'\n# os.environ['TL_BACKEND'] = 'mindspore'\n# os.environ['TL_BACKEND'] = 'paddle'\n# os.environ['TL_BACKEND'] = 'pytorch'\n```\n🚧 我们将很快支持 PyTorch 作为后端。\n\n\n#### 评估。\n\n🔥 我们已在 DIV2K 数据集上训练了 SRGAN。\n🔥 下载模型权重如下。\n\n|              | SRGAN_g | SRGAN_d | \n|------------- |---------|---------|\n| TensorFlow   | [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F118uUg3oce_3NZQCIWHVjmA?pwd=p9li)、[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GlU9At-5XEDilgnt326fyClvZB_fsaFZ\u002Fview?usp=sharing) |[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1DOpGzDJY5PyusKzaKqbLOg?pwd=g2iy)、[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1RpOtVcVK-yxnVhNH4KSjnXHDvuU_pq3j\u002Fview?usp=sharing)   |        \n| PaddlePaddle | [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1ngBpleV5vQZQqNE_8djDIg?pwd=s8wc)、[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1GRNt_ZsgorB19qvwN5gE6W9a_bIPLkg1\u002Fview?usp=sharing)  | [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nSefLNRanFImf1DskSVpCg?pwd=befc)、[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Jf6W1ZPdgtmUSfrQ5mMZDB_hOCVU-zFo\u002Fview?usp=sharing)   |         \n| MindSpore    | 🚧即将推出！    | 🚧即将推出！     |         \n| PyTorch      | 🚧即将推出！    | 🚧即将推出！     |\n\n\n下载权重文件，并将其放入 srgan\u002Fmodels\u002F 文件夹中。\n\n您的目录结构应如下所示：\n\n```\nsrgan\u002F\n    └── config.py\n    └── srgan.py\n    └── train.py\n    └── vgg.py\n    └── model\n          └── vgg19.npy\n    └── DIV2K\n          ├── DIV2K_train_HR\n          ├── DIV2K_train_LR_bicubic\n          ├── DIV2K_valid_HR\n          └── DIV2K_valid_LR_bicubic\n    └── models\n          ├── g.npz  # 您需要重命名权重文件。\n          └── d.npz  # 如果您设置了 os.environ['TL_BACKEND'] = 'tensorflow'，则应将 srgan-g-tensorflow.npz 重命名为 g.npz。\n\n```\n\n- 开始评估。\n```bash\npython train.py --mode=eval\n```\n\n结果将保存在 srgan\u002Fsamples\u002F 文件夹中。\n\n### 结果\n\n\u003Ca href=\"http:\u002F\u002Ftensorlayer.readthedocs.io\">\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_readme_09c1537d044c.png\" width=\"80%\" height=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\u003C\u002Fa>\n\n\n### 参考文献\n* [1] [使用生成对抗网络进行照片级单张图像超分辨率](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04802)\n* [2] [反卷积层是否等同于卷积层？](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.07009)\n\n\n\n### 引用\n如果您觉得本项目有用，我们非常感谢您引用 TensorLayer 的论文：\n\n```\n@article{tensorlayer2017,\nauthor = {董浩、苏普拉塔克·阿卡拉、罗迈、刘方德、奥赫米申·阿克塞尔、余思淼、郭一科},\njournal = {ACM Multimedia},\ntitle = {{TensorLayer: 一个多功能库，用于高效深度学习开发}},\nurl = {http:\u002F\u002Ftensorlayer.org},\nyear = {2017}\n}\n\n@inproceedings{tensorlayer2021,\n  title={TensorLayer 3.0：一个兼容多种后端的深度学习库},\n  author={赖成、韩嘉荣、董浩},\n  booktitle={2021 IEEE 国际多媒体与博览会研讨会 (ICMEW)},\n  pages={1–3},\n  year={2021},\n  organization={IEEE}\n}\n```\n\n### 其他项目\n\n- [风格迁移](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fadaptive-style-transfer)\n- [姿态估计](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fopenpose)\n\n### 讨论\n\n- [TensorLayer Slack](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Ftensorlayer\u002Fshared_invite\u002FenQtMjUyMjczMzU2Njg4LWI0MWU0MDFkOWY2YjQ4YjVhMzI5M2VlZmE4YTNhNGY1NjZhMzUwMmQ2MTc0YWRjMjQzMjdjMTg2MWQ2ZWJhYzc)\n- [TensorLayer 微信群](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayer-chinese\u002Fblob\u002Fmaster\u002Fdocs\u002Fwechat_group.md)\n\n### 许可证\n\n- 仅限学术和非商业用途。\n- 如需商业用途，请联系 tensorlayer@gmail.com。","# SRGAN 快速上手指南\n\nSRGAN (Super-Resolution Generative Adversarial Network) 是一个基于生成对抗网络的单图像超分辨率工具，能够将低分辨率图像重建为逼真的照片级高分辨率图像。本指南基于 TensorLayerX 实现，支持多种深度学习后端。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.7+\n*   **核心依赖**：\n    *   [TensorLayerX](https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FTensorLayerX) (必须从源码安装)\n    *   深度学习后端：TensorFlow (默认), PaddlePaddle, MindSpore 或 PyTorch (部分支持中)\n*   **数据准备**：\n    *   **预训练 VGG19 权重**：[下载链接 (Google Drive)](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CLw6Cn3yNI1N15HyX99_Zy9QnDcgP3q7\u002Fview?usp=sharing)\n    *   **训练数据集**：推荐使用 [DIV2K](http:\u002F\u002Fwww.vision.ee.ethz.ch\u002Fntire17\u002F) 或 [Yahoo MirFlickr25k](http:\u002F\u002Fpress.liacs.nl\u002Fmirflickr\u002Fmirdownload.html)。也可使用自定义图片文件夹。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fsrgan.git\n    cd srgan\n    ```\n\n2.  **安装 TensorLayerX (关键步骤)**\n    请务必通过源码安装最新版本的 TensorLayerX：\n    ```bash\n    pip install git+https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayerx.git \n    ```\n\n3.  **配置模型权重与数据**\n    *   将下载的 `vgg19.npy` 放入 `model\u002F` 目录。\n    *   若使用 DIV2K 数据集，请确保目录结构如下（或在 `config.py` 中修改路径）：\n        ```text\n        srgan\u002F\n            ├── config.py\n            ├── model\u002F\n            │   └── vgg19.npy\n            └── DIV2K\u002F\n                ├── DIV2K_train_HR\n                ├── DIV2K_train_LR_bicubic\n                ├── DIV2K_valid_HR\n                └── DIV2K_valid_LR_bicubic\n        ```\n\n## 基本使用\n\n### 1. 切换深度学习后端 (可选)\n默认使用 TensorFlow。如需切换其他框架，请编辑 `train.py` 文件顶部的环境变量设置：\n\n```python\nimport os\nos.environ['TL_BACKEND'] = 'tensorflow'\n# os.environ['TL_BACKEND'] = 'mindspore'\n# os.environ['TL_BACKEND'] = 'paddle'\n# os.environ['TL_BACKEND'] = 'pytorch'\n```\n\n### 2. 开始训练\n修改 `config.py` 中的 `config.TRAIN.hr_img_path` 指向你的高清图片文件夹（若使用默认 DIV2K 结构则无需修改）。\n\n运行训练命令：\n```bash\npython train.py\n```\n\n### 3. 模型评估 (推理)\n如果你只想使用预训练模型进行超分辨率重建：\n\n1.  **下载预训练权重**：\n    根据你选择的后端，从 README 提供的链接下载 `SRGAN_g` (生成器) 和 `SRGAN_d` (判别器) 权重文件。\n    *   *注意*：需将文件名重命名为 `g.npz` 和 `d.npz` 并放入 `models\u002F` 目录。\n    *   例如 TensorFlow 用户：将 `srgan-g-tensorflow.npz` 重命名为 `g.npz`。\n\n2.  **执行评估**：\n    ```bash\n    python train.py --mode=eval\n    ```\n\n3.  **查看结果**：\n    生成的超分辨率图像将保存在 `srgan\u002Fsamples\u002F` 目录下。","一家数字档案馆正在对一批 20 世纪 90 年代的低分辨率扫描老照片进行数字化修复，旨在将其用于高清展览画册的印刷。\n\n### 没有 SRGAN 时\n- 传统插值算法（如双三次插值）放大图片后，人脸五官和建筑纹理严重模糊，缺乏真实细节。\n- 图像边缘出现明显的锯齿和伪影，导致打印大幅面海报时画面显得粗糙廉价。\n- 修复过程主要依赖人工手绘补充细节，耗时极长且难以保证数百张照片的风格统一。\n- 放大后的图像虽然尺寸变大，但高频信息丢失，无法满足 300 DPI 的专业印刷标准。\n\n### 使用 SRGAN 后\n- 利用生成对抗网络特性，SRGAN 能“幻觉”出逼真的皮肤纹理、发丝和砖墙细节，视觉效果接近原生高清。\n- 生成的图像边缘自然锐利，有效消除了传统算法常见的模糊感和块状伪影，大幅提升观感。\n- 只需加载预训练模型即可批量处理海量图片，将单张修复时间从小时级缩短至秒级，显著降低人力成本。\n- 输出结果在感知质量上达到照片级真实度，直接满足了高质量印刷和高清屏幕展示的需求。\n\nSRGAN 通过深度学习重构高频细节，将原本不可用的低清素材瞬间转化为具备商业价值的照片级高清资产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorlayer_SRGAN_0fb5a2ec.png","tensorlayer","TensorLayer Community","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorlayer_5198405d.png","A neutral open community to promote AI technology.",null,"tensorlayer@gmail.com","http:\u002F\u002Fwww.tensorlayerx.com\u002Findex_en.html?chlang=&langid=2","https:\u002F\u002Fgithub.com\u002Ftensorlayer",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,3472,817,"2026-04-02T08:35:15",4,"未说明","未说明（基于深度学习训练特性，通常建议配备 NVIDIA GPU，但文中未明确具体型号或显存要求）",{"notes":95,"python":92,"dependencies":96},"1. 必须首先安装 TensorLayerX，且官方强烈建议通过源码安装（pip install git+https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Ftensorlayerx.git）。2. 该工具支持多后端切换（TensorFlow, MindSpore, PaddlePaddle, PyTorch），需在代码中设置环境变量 'TL_BACKEND'，目前默认及预训练权重主要支持 TensorFlow 和 PaddlePaddle，PyTorch 和 MindSpore 支持尚在开发中。3. 运行前需手动下载预训练的 VGG19 模型权重文件。4. 训练数据推荐使用 DIV2K 数据集，若使用其他数据集需调整配置文件中的超参数（如 epoch 数量）。5. 许可证仅限学术和非商业用途，商业用途需联系作者。",[97],"TensorLayerX (需从源码安装)",[14,13],[75,100,101,102,103,104,105,106,107],"tensorflow","super-resolution","gan","cnn","srgan","vgg16","vgg19","vgg","2026-03-27T02:49:30.150509","2026-04-06T05:16:13.323350",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},17192,"在哪里可以下载预训练的 SRGAN 模型？","预训练模型已发布在 GitHub Releases 页面，无需单独向作者索取。请访问：https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002Fsrgan\u002Freleases\u002Ftag\u002F1.2.0 下载。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F7",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},17193,"在 Windows 上运行训练时遇到 BatchNorm 未定义或 pickle 错误怎么办？","1. 修复 BatchNorm 导入错误：在 `model.py` 或相关文件的导入语句中，将 `from tensorlayer.layers import (..., BatchNorm2d, ...)` 修改为 `from tensorlayer.layers import (..., BatchNorm, BatchNorm2d, ...)`，显式导入 `BatchNorm`。\n2. 修复 pickle 错误：将 numpy 版本降级为 1.16.1，命令为：`pip install numpy==1.16.1`。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F180",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},17194,"如何从断点恢复训练（加载检查点）？","代码已包含自动恢复权重的机制。虽然日志可能显示 \"0\u002F2000\"，但这仅代表剩余训练轮数，并非从头开始训练。程序会自动加载默认的 `g.h5` 和 `d.h5` 检查点文件继续训练，无需额外修改代码。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F10",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},17195,"修改网络结构（如移除子像素卷积层）后出现维度不匹配错误如何解决？","手动修改上采样倍数会导致预训练权重或默认配置中的通道数维度不匹配（例如 256 vs 64）。解决方法是仔细检查并修改 `model.py` 文件，确保网络层定义的输入输出形状与你的修改保持一致，特别是卷积核数量和上采样后的维度计算。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F100",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},17196,"训练过程中出现 \"Matrix size-incompatible\" (矩阵大小不兼容) 错误怎么办？","该错误通常由输入图像尺寸不正确导致。请检查传入判别器（D）的 `fake_patchs` 张量形状，其标准形状应为 (384, 384, 3)。如果尺寸不符，需调整数据预处理部分或生成器（G）的输出设置以匹配预期维度。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F152",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},17197,"训练时遇到 GPU 显存不足（OOM）错误如何处理？","显存溢出通常是因为输入图像分辨率过高或 batch size 过大。建议尝试减小输入图片的尺寸，或者在代码配置中减小 batch size 参数。如果在 Windows 命令行遇到问题，可尝试在 Ubuntu 环境下运行或检查系统特定的显存分配策略。","https:\u002F\u002Fgithub.com\u002Ftensorlayer\u002FSRGAN\u002Fissues\u002F248",[142,146,151,155,160,165,170,175,180],{"id":143,"version":144,"summary_zh":79,"released_at":145},99397,"1.4.1","2019-07-28T14:45:22",{"id":147,"version":148,"summary_zh":149,"released_at":150},99398,"1.4.0","修复 bug","2019-07-28T14:27:28",{"id":152,"version":153,"summary_zh":79,"released_at":154},99399,"1.3.0","2019-07-27T03:14:24",{"id":156,"version":157,"summary_zh":158,"released_at":159},99400,"1.2.1","在以下环境中运行：\n- TensorFlow 1.4\n- TensorLayer 1.8.0+","2018-03-10T16:14:06",{"id":161,"version":162,"summary_zh":163,"released_at":164},99401,"1.2.0","- 提供预训练模型\n- 支持 TensorLayer 1.7.4\n- 代码简化","2018-02-22T13:45:28",{"id":166,"version":167,"summary_zh":168,"released_at":169},99402,"1.1","- 将 TensorLayer 更新至 1.7 版本。\n- `SubpixelConv2dLayer` 支持动态尺寸的输入图像。","2018-01-15T10:22:02",{"id":171,"version":172,"summary_zh":173,"released_at":174},99403,"1.0","- TensorFlow 1.2\n- 自包含的 TensorLayer","2017-07-14T16:16:39",{"id":176,"version":177,"summary_zh":178,"released_at":179},99404,"0.4","- 适用于 TensorFlow 1.2 的工作","2017-06-18T21:16:23",{"id":181,"version":182,"summary_zh":183,"released_at":184},99405,"0.3","工作版本","2017-06-17T16:29:20"]