[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tjwei--GANotebooks":3,"tool-tjwei--GANotebooks":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":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":124,"updated_at":125,"faqs":126,"releases":153},1277,"tjwei\u002FGANotebooks","GANotebooks","wgan, wgan2(improved, gp), infogan, and dcgan implementation in  lasagne, keras, pytorch","GANotebooks 是一个包含多种生成对抗网络（GAN）实现的开源项目，涵盖了 WGAN、WGAN-GP、InfoGAN 和 DCGAN 等经典模型，并提供了 Lasagne、Keras 和 PyTorch 三种主流深度学习框架的代码实现。它旨在帮助用户快速上手和实验不同 GAN 模型，适用于图像生成、风格迁移和图像到图像的转换等任务。\n\n该项目解决了 GAN 模型训练不稳定、模式崩溃等问题，通过改进的 WGAN-GP 和 InfoGAN 等实现，提升了生成质量与训练稳定性。同时，它提供了丰富的示例结果和训练过程演示，便于用户理解模型表现。\n\n适合有一定 Python 和深度学习基础的开发者或研究人员使用，尤其适合希望快速尝试不同 GAN 架构或进行图像生成研究的用户。项目中的多种实现方式也方便用户根据自身需求选择合适的框架进行扩展和优化。\n\n其独特之处在于提供了多种改进版 GAN 的实现，并附有详细的训练结果和可视化展示，有助于用户深入理解模型性能与差异。","# Generative Adversarial Notebooks\n## Collection of my Generative Adversarial Network implementations\n\nMost codes are for python3, most notebooks works on \n\n### CycleGAN\n* CycleGAN-lasagne\n* CycleGAN-keras\n\n### CycleGAN results\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_9df8a68b4a2d.png\" height=300 \u002F> \nResult after 3 hours and 58 epochs on a GTX 1080. From top to bottom: Input, Fake, Recreate of the input.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_b2e81bbc1a53.png\" height=300 \u002F> \nFace-off result. From top to bottom: Input, Fake, Recreate of the input.\n[youtube video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fea4kZq0oFQ)\n\n### pix2pix\n* pix2pix-keras: pix2pix GAN Keras implementation\n* pix2pix-lasagne: pix2pix GAN Lasagne implementation\n* pix2pix-torch: pix2pix GAN pytorch implementation\n\n### pix2pix sample results\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_1ebc6f06c82f.png\" height=\"200\" \u002F>\nValidation result of edges-to-shoes after 12 epochs. From top to bottom: Input, Ground truth, the result.\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_d8967bf7fdf4.png\" height=\"200\" \u002F>\nValidation result of  facades dataset after 150 epochs using resnet. From top to bottom: Input, Ground truth, the result.\n\n\n### WGAN on CIFAR10\n* wgan-keras: Wasserstein GAN  Keras implementation\n* wgan-lasagne: Wasserstein GAN Lasagne implementation\n* wgan-torch: Wasserstein GAN pytorch implementation based on https:\u002F\u002Fgithub.com\u002Fmartinarjovsky\u002FWassersteinGAN\n\n### WGAN2 (improved WGAN\u002FWGAN-gp)\n* wgan2-lasagne:  improved WGAN Lasagne implementation (on CIFAR10)\n* wgan2-keras: improved WGAN Keras implementation (on CIFAR10)\n* wgan2-lasagne-anime: WGAN on anime face images, lasagne \n* wgan2-AC-lasagne:  improved WGAN Lasagne implementation with Auxillary classfier\n### WGAN2 sample results\n* cifar10 dataset\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_c22e149594d8.png\" height=\"100\" \u002F>\n\n* cifar10 dataset with Auxillary classfier\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_a90154335dc5.png\" height=\"400\" \u002F>\n\n\n* anime face dataset\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_4a2c0c37b558.png\" height=\"500\" \u002F>\n\n\n\n\n### InfoGAN \n* mnist-infogan: InfoGAN Lasagne on MNIST dataset\n* mnist-infogan-paper-uniform: InfoGAN Lasagne on MNIST dataset (fllowing the paper implementation)\n### InfoGAN sample results\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_6b744501d013.png\" height=\"300\" \u002F>\n\n\n### DCGAN\n* dcgan-lasagne: DCGAN in Lasagne\n### DCGAN sample results\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_f0c97d9f4df1.png\" height=\"300\" \u002F>\n","# 生成对抗网络笔记本\n## 我的生成对抗网络实现合集\n\n大部分代码适用于 Python 3，大多数笔记本可在以下环境中运行：\n\n### CycleGAN\n* CycleGAN-lasagne\n* CycleGAN-keras\n\n### CycleGAN 结果\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_9df8a68b4a2d.png\" height=300 \u002F> \n在 GTX 1080 上经过 3 小时、58 个 epoch 后的结果。从上到下依次为：输入、生成的假样本、输入的重建。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_b2e81bbc1a53.png\" height=300 \u002F> \n人脸对战结果。从上到下依次为：输入、生成的假样本、输入的重建。\n[youtube 视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Fea4kZq0oFQ)\n\n### pix2pix\n* pix2pix-keras：pix2pix GAN 的 Keras 实现\n* pix2pix-lasagne：pix2pix GAN 的 Lasagne 实现\n* pix2pix-torch：pix2pix GAN 的 PyTorch 实现\n\n### pix2pix 样本结果\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_1ebc6f06c82f.png\" height=\"200\" \u002F>\n在训练 12 个 epoch 后的边缘到鞋子的验证结果。从上到下依次为：输入、真实标签、生成结果。\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_d8967bf7fdf4.png\" height=\"200\" \u002F>\n使用 ResNet 在 150 个 epoch 后对立面数据集的验证结果。从上到下依次为：输入、真实标签、生成结果。\n\n\n### CIFAR10 上的 WGAN\n* wgan-keras：Wasserstein GAN 的 Keras 实现\n* wgan-lasagne：Wasserstein GAN 的 Lasagne 实现\n* wgan-torch：基于 https:\u002F\u002Fgithub.com\u002Fmartinarjovsky\u002FWassersteinGAN 的 PyTorch 实现\n\n### WGAN2（改进版 WGAN\u002FWGAN-gp）\n* wgan2-lasagne：改进版 WGAN 的 Lasagne 实现（针对 CIFAR10）\n* wgan2-keras：改进版 WGAN 的 Keras 实现（针对 CIFAR10）\n* wgan2-lasagne-anime：针对动漫人脸图像的 WGAN，使用 Lasagne\n* wgan2-AC-lasagne：带有辅助分类器的改进版 WGAN Lasagne 实现\n### WGAN2 样本结果\n* CIFAR10 数据集\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_c22e149594d8.png\" height=\"100\" \u002F>\n\n* 带有辅助分类器的 CIFAR10 数据集\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_a90154335dc5.png\" height=\"400\" \u002F>\n\n\n* 动漫人脸数据集\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_4a2c0c37b558.png\" height=\"500\" \u002F\n\n\n\n\n### InfoGAN \n* mnist-infogan：InfoGAN 在 MNIST 数据集上的 Lasagne 实现\n* mnist-infogan-paper-uniform：InfoGAN 在 MNIST 数据集上的 Lasagne 实现（遵循论文中的实现方法）\n### InfoGAN 样本结果\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_6b744501d013.png\" height=\"300\" \u002F>\n\n\n### DCGAN\n* dcgan-lasagne：Lasagne 中的 DCGAN\n### DCGAN 样本结果\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_readme_f0c97d9f4df1.png\" height=\"300\" \u002F>","# GANotebooks 快速上手指南\n\nGANotebooks 是一个包含多种生成对抗网络（GAN）实现的开源项目，适用于图像生成、风格迁移等任务。以下为快速上手指南。\n\n---\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows（推荐使用 Linux 或 macOS）\n- Python 版本：Python 3.x（建议使用 Python 3.6+）\n\n### 前置依赖\n确保已安装以下依赖：\n\n```bash\npip install numpy matplotlib tensorflow keras pytorch lasagne\n```\n\n> 如果你使用的是国内网络环境，可以使用清华源加速安装：\n>\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy matplotlib tensorflow keras pytorch lasagne\n> ```\n\n---\n\n## 安装步骤\n\n1. 克隆仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyourusername\u002FGANotebooks.git\ncd GANotebooks\n```\n\n2. 安装依赖（如果尚未安装）：\n\n```bash\npip install -r requirements.txt\n```\n\n> 若 `requirements.txt` 中未包含所有依赖，请手动安装缺少的库。\n\n---\n\n## 基本使用\n\n### 示例：运行 CycleGAN-Keras\n\n1. 进入对应目录：\n\n```bash\ncd CycleGAN\u002FCycleGAN-keras\n```\n\n2. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n3. 打开 `cycle_gan.ipynb` 并按照 Notebook 中的说明进行训练和测试。\n\n> 注意：部分模型可能需要 GPU 支持以加快训练速度，建议在具备 NVIDIA 显卡的设备上运行。\n\n---\n\n### 示例：运行 WGAN2-Keras\n\n1. 进入对应目录：\n\n```bash\ncd WGAN2\u002Fwgan2-keras\n```\n\n2. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n3. 打开 `wgan2_cifar10.ipynb` 并开始训练。\n\n---\n\n### 示例：运行 InfoGAN-Lasagne\n\n1. 进入对应目录：\n\n```bash\ncd InfoGAN\u002Fmnist-infogan\n```\n\n2. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n3. 打开 `infogan_mnist.ipynb` 并运行。\n\n---\n\n以上即为 GANotebooks 的基本使用流程。你可以根据需求选择不同的 GAN 实现进行实验和研究。","某图像处理初创公司正在开发一个基于生成对抗网络（GAN）的图像风格迁移应用，用于将用户上传的照片转换为特定艺术风格。团队需要快速验证不同 GAN 模型的效果，并在多种深度学习框架中进行实验。\n\n### 没有 GANotebooks 时  \n- 团队需要从零开始编写不同 GAN 模型（如 WGAN、CycleGAN、InfoGAN 等）的代码，耗费大量时间且容易出错。  \n- 缺乏现成的高质量实现示例，导致模型训练不稳定，难以复现实验结果。  \n- 不同框架（如 Keras、PyTorch、Lasagne）之间的代码结构差异大，切换成本高。  \n- 调试和可视化训练过程复杂，缺乏直观的训练结果展示。  \n\n### 使用 GANotebooks 后  \n- 团队可以直接使用已实现的 GAN 模型（如 CycleGAN-keras、WGAN2-keras），节省了大量编码时间，加速了模型迭代。  \n- 提供了多种数据集（如 CIFAR10、动漫人脸）的训练结果示例，便于快速验证模型效果并调整参数。  \n- 支持 Keras、PyTorch 和 Lasagne 多种框架，方便团队根据项目需求灵活选择。  \n- 内置训练过程的可视化结果（如输入、生成图像、重建图像等），帮助团队更直观地分析模型表现。  \n\nGANotebooks 为团队提供了高效、可复用的 GAN 实现资源，显著降低了研究与开发的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftjwei_GANotebooks_9df8a68b.png","tjwei","Tzerjen Wei","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftjwei_6e7ec569.png","the avatar is generated by my Quick-Neural-Art-Transfer with a picture of Hatsune Miku ","NYCU","Taipei, Taiwan","tzerjen@gmail.com",null,"http:\u002F\u002Fweijr-note.blogspot.com","https:\u002F\u002Fgithub.com\u002Ftjwei",[86],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",100,1490,364,"2026-03-28T00:18:04","MIT","Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":98,"python":99,"dependencies":100},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件。部分模型训练时间较长，如 CycleGAN 在 GTX 1080 上训练 3 小时完成 58 个 epochs。","3.8+",[101,102,103,104,105,106,107,108,109,110],"Keras","Lasagne","PyTorch","TensorFlow","NumPy","Pillow","matplotlib","scikit-learn","opencv-python","requests",[14,13],[113,114,115,116,117,118,119,120,121,122,123],"wgan","wgan-gp","infogan","lasagne","keras","pytorch","tensorflow","pix2pix","dcgan","dragan","cyclegan","2026-03-27T02:49:30.150509","2026-04-06T05:37:24.324510",[127,132,137,141,145,149],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},5829,"如何保存 pix2pix-keras 模型的权重？","可以使用 `netG.save_weights('netG.h5')` 来保存模型权重，使用 `netG.load_weights('netG.h5')` 来加载权重。","https:\u002F\u002Fgithub.com\u002Ftjwei\u002FGANotebooks\u002Fissues\u002F5",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5830,"WGAN2-Keras 中判别器的损失函数是否正确？","在 WGAN2-Keras 中，判别器的损失函数应为 `loss = loss_fake - loss_real + nz * λ * grad_penalty`。这是因为代码中调用了 `loss_mixed = K.mean(netD(netD_mixed_input))`，该操作对 `nz` 进行了平均，因此需要在损失函数中进行补偿。","https:\u002F\u002Fgithub.com\u002Ftjwei\u002FGANotebooks\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":136},5831,"WGAN2-Keras 中梯度惩罚项的计算是否正确？","梯度惩罚项的计算是通过 `grad_penalty = K.mean(K.square(norm_grad_mixed - 1))` 实现的。这是根据论文中的公式进行的计算，确保梯度的 L2 范数接近 1。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":136},5832,"WGAN2-Keras 中损失函数的三个部分分别对应什么？","损失函数的三个部分分别是：`loss_real`（真实样本的输出均值）、`loss_fake`（生成样本的输出均值）和 `grad_penalty`（梯度惩罚项）。这些部分分别对应损失函数中的三项。",{"id":146,"question_zh":147,"answer_zh":148,"source_url":136},5833,"WGAN2-Keras 中为什么要对 `loss_mixed` 取均值？","在 WGAN2-Keras 中，对 `loss_mixed` 取均值是为了与原始论文中的公式保持一致。如果不对 `loss_mixed` 取均值，会导致梯度计算不准确，从而影响训练效果。",{"id":150,"question_zh":151,"answer_zh":152,"source_url":131},5834,"如何加载已保存的 pix2pix-keras 模型？","可以使用 `netG = keras.models.load_model(filepath)` 来加载整个模型，或者使用 `netG.load_weights('netG.h5')` 来加载之前保存的权重。",[]]