[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-torchgan--torchgan":3,"tool-torchgan--torchgan":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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"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":64,"owner_name":64,"owner_avatar_url":72,"owner_bio":73,"owner_company":74,"owner_location":74,"owner_email":75,"owner_twitter":74,"owner_website":74,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":149},4597,"torchgan\u002Ftorchgan","torchgan","Research Framework for easy and efficient training of GANs based on Pytorch","TorchGAN 是一个基于 PyTorch 构建的开源框架，旨在让生成对抗网络（GAN）的训练变得简单且高效。它主要解决了研究人员和开发者在复现经典 GAN 模型或探索前沿算法时，面临代码重复编写、架构耦合度高以及训练监控复杂等痛点。\n\n无论是希望快速在自有数据集上验证主流 GAN 模型的研究者，还是想要尝试自定义损失函数、网络架构的资深开发者，TorchGAN 都能提供极大的便利。其核心优势在于高度模块化的设计理念：用户不仅可以像搭积木一样灵活组合现有的生成器、判别器和损失函数，还能无缝插入自己创新的研究组件。此外，TorchGAN 内置了丰富的日志后端支持，能够帮助用户直观地可视化训练过程，实时掌握模型动态。\n\n作为一个活跃维护的项目，TorchGAN 兼容多种操作系统和 PyTorch 版本，并提供了详细的文档与交互式示例。它特别适合需要兼顾实验效率与研究灵活性的 AI 科研人员及工程技术人员，是进行 GAN 相关开发与学术探索的得力助手。","\u003Cdiv align=\"center\">\n\n# TorchGAN\n\n**Framework for easy and efficient training of GANs based on Pytorch**\n\n[![Project Status: Active – The project has reached a stable, usable state and is being actively developed.](https:\u002F\u002Fwww.repostatus.org\u002Fbadges\u002Flatest\u002Factive.svg)](https:\u002F\u002Fwww.repostatus.org\u002F#active)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png\u002Fmonth)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan\u002Fmonth)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png\u002Fweek)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan\u002Fweek)\n[![License](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg?style=flat)](LICENSE)\n[![DOI](https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F10.21105\u002Fjoss.02606\u002Fstatus.svg)](https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02606)\n\n[![Stable Documentation](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-blue.svg)](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Fstable\u002F)\n[![Latest Documentation](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue.svg)](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![Codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftorchgan\u002Ftorchgan)\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fmaster)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftorchgan)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftorchgan.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftorchgan)\n\u003C\u002Fdiv>\n\nTorchGAN is a [Pytorch](https:\u002F\u002Fpytorch.org) based framework for designing and developing Generative Adversarial Networks. This framework has been designed to provide building blocks for popular GANs and also to allow customization for cutting edge research. Using TorchGAN's modular structure allows\n\n* Trying out popular GAN models on your dataset.\n* Plug in your new Loss Function, new Architecture, etc. with the traditional ones.\n* Seamlessly visualize the training with a variety of logging backends.\n\n| System \u002F PyTorch Version | 1.8 | 1.9 | nightly |\n| :---: | :---: | :---: | :---: |\n| Linux py3.8 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Linux py3.9 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| OSX py3.8 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| OSX py3.9 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Windows py3.9 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Windows py3.9 | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI Testing](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n\n### Installation\n\nUsing pip (for stable release):\n\n```bash\n  $ pip install torchgan\n```\n\nUsing pip (for latest master):\n\n```bash\n  $ pip install git+https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n```\n\nFrom source:\n\n```bash\n  $ git clone https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n  $ cd torchgan\n  $ python setup.py install\n```\n\n### Documentation\n\nThe documentation is available [here](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Flatest\u002F)\n\nThe documentation for this package can be generated locally.\n\n```bash\n  $ git clone https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n  $ cd torchgan\u002Fdocs\n  $ pip install -r requirements.txt\n  $ make html\n```\n\nNow open the corresponding file from `build` directory.\n\n### Tutorials\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fmaster)\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftorchgan)\n\nThe `tutorials` directory contain a set of tutorials to get you started with torchgan. These tutorials can be run using Google Colab or Binder. It is highly recommended that you follow the tutorials in the following order.\n\n1. Introductory Tutorials:\n    - [Tutorial 1: Introduction to TorchGAN](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%201.%20Introduction%20to%20TorchGAN.ipynb)\n    - [Tutorial 2: Custom Loss Functions](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%202.%20Custom%20Loss%20Functions.ipynb)\n2. Intermediate Tutorials:\n    - [Tutorial 3: CycleGAN](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%203.%20CycleGAN.ipynb)\n    - [Tutorial 4: Self Attention GAN](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%204.%20Self%20Attention%20GAN.ipynb)\n3. Advanced Tutorials:\n    - [Tutorial 5: Adversarial Autoencoder](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%205.%20Adversarial%20Autoencoder.ipynb)\n\n### Supporting and Citing\n\nThis software was developed as part of academic research. If you would like to help support it, please star the repository. If you use this software as part of your research, teaching, or other activities, we would be grateful if you could cite the following:\n\n```\n@article{Pal2021,\n  doi = {10.21105\u002Fjoss.02606},\n  url = {https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02606},\n  year = {2021},\n  publisher = {The Open Journal},\n  volume = {6},\n  number = {66},\n  pages = {2606},\n  author = {Avik Pal and Aniket Das},\n  title = {TorchGAN: A Flexible Framework for GAN Training and Evaluation},\n  journal = {Journal of Open Source Software}\n}\n```\n\nList of publications & submissions using TorchGAN (please open a pull request to add missing entries):\n\n* [Can GAN-Generated Network Traffic be used to Train Traffic Anomaly Classifiers?](https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F9284901?casa_token=9bEvJ3COOXMAAAAA:pz8TsMSrecv_ip1t9rEI7tYn_S_AQyZE_UrgYZ61vX_3Clu0Y17pFTUEpclAcBja13pPEqOsxypp)\n* [Ward2ICU: A Vital Signs Dataset of Inpatients from the General Ward](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.00752)\n\n### Contributing\n\nWe appreciate all contributions. If you are planning to contribute bug-fixes, please do so without any further discussion. If you plan to contribute new features, utility functions or extensions, please first open an issue and discuss the feature with us. For more detailed guidelines head over to the official documentation.\n\n### Contributors\n\nThis package has been developed by\n* Avik Pal (@avik-pal)\n* Aniket Das (@Aniket1998)\n\nThis project exists thanks to all the people who contribute.\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fgraphs\u002Fcontributors\">\u003Cimg src=\"https:\u002F\u002Fopencollective.com\u002Ftorchgan\u002Fcontributors.svg?width=890&button=false\" \u002F>\u003C\u002Fa>\n","\u003Cdiv align=\"center\">\n\n# TorchGAN\n\n**基于 PyTorch 的简单高效 GAN 训练框架**\n\n[![项目状态：活跃 – 项目已达到稳定可用状态，并正在积极开发中。](https:\u002F\u002Fwww.repostatus.org\u002Fbadges\u002Flatest\u002Factive.svg)](https:\u002F\u002Fwww.repostatus.org\u002F#active)\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan)\n[![每月下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png\u002Fmonth)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan\u002Fmonth)\n[![每周下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_readme_caabb5fb20f5.png\u002Fweek)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ftorchgan\u002Fweek)\n[![许可证](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg?style=flat)](LICENSE)\n[![DOI](https:\u002F\u002Fjoss.theoj.org\u002Fpapers\u002F10.21105\u002Fjoss.02606\u002Fstatus.svg)](https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02606)\n\n[![稳定文档](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-blue.svg)](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Fstable\u002F)\n[![最新文档](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue.svg)](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![Codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftorchgan\u002Ftorchgan)\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fmaster)\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftorchgan)\n[![PyPI 版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftorchgan.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftorchgan)\n\u003C\u002Fdiv>\n\nTorchGAN 是一个基于 [PyTorch](https:\u002F\u002Fpytorch.org) 的生成对抗网络设计与开发框架。该框架旨在为流行的 GAN 提供构建模块，同时也支持针对前沿研究的自定义扩展。借助 TorchGAN 的模块化结构，用户可以：\n\n* 在自己的数据集上尝试流行的 GAN 模型。\n* 将新的损失函数、架构等与传统方法无缝集成。\n* 通过多种日志记录后端流畅地可视化训练过程。\n\n| 系统 \u002F PyTorch 版本 | 1.8 | 1.9 | 夜间版 |\n| :---: | :---: | :---: | :---: |\n| Linux py3.8 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Linux py3.9 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| OSX py3.8 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| OSX py3.9 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Windows py3.9 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n| Windows py3.9 | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) | ![CI 测试](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fworkflows\u002FCI%20Testing\u002Fbadge.svg) |\n\n### 安装\n\n使用 pip（稳定版）：\n\n```bash\n  $ pip install torchgan\n```\n\n使用 pip（最新 master 分支）：\n\n```bash\n  $ pip install git+https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n```\n\n从源码安装：\n\n```bash\n  $ git clone https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n  $ cd torchgan\n  $ python setup.py install\n```\n\n### 文档\n\n文档可在 [这里](https:\u002F\u002Ftorchgan.readthedocs.io\u002Fen\u002Flatest\u002F) 查阅。\n\n您也可以在本地生成该包的文档：\n\n```bash\n  $ git clone https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n  $ cd torchgan\u002Fdocs\n  $ pip install -r requirements.txt\n  $ make html\n```\n\n然后打开 `build` 目录下的相应文件即可。\n\n### 教程\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Ftorchgan\u002Ftorchgan\u002Fmaster)\n[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Ftorchgan)\n\n`tutorials` 目录包含一系列入门教程，帮助您快速上手 TorchGAN。这些教程可以通过 Google Colab 或 Binder 运行。强烈建议您按照以下顺序学习这些教程：\n\n1. 入门教程：\n    - [教程 1：TorchGAN 简介](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%201.%20Introduction%20to%20TorchGAN.ipynb)\n    - [教程 2：自定义损失函数](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%202.%20Custom%20Loss%20Functions.ipynb)\n2. 中级教程：\n    - [教程 3：CycleGAN](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%203.%20CycleGAN.ipynb)\n    - [教程 4：自注意力 GAN](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%204.%20Self%20Attention%20GAN.ipynb)\n3. 高级教程：\n    - [教程 5：对抗自编码器](https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fblob\u002Fmaster\u002Ftutorials\u002FTutorial%205.%20Adversarial%20Autoencoder.ipynb)\n\n### 支持与引用\n\n本软件是作为学术研究的一部分开发的。如果您希望支持该项目，请给仓库点个赞。如果您在研究、教学或其他活动中使用了本软件，我们非常感谢您能够引用以下文献：\n\n```\n@article{Pal2021,\n  doi = {10.21105\u002Fjoss.02606},\n  url = {https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.02606},\n  year = {2021},\n  publisher = {The Open Journal},\n  volume = {6},\n  number = {66},\n  pages = {2606},\n  author = {Avik Pal 和 Aniket Das},\n  title = {TorchGAN：一个灵活的 GAN 训练与评估框架},\n  journal = {开源软件期刊}\n}\n```\n\n使用 TorchGAN 的出版物及投稿列表（请提交 Pull Request 以添加缺失条目）：\n\n* [GAN 生成的网络流量能否用于训练流量异常分类器？](https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F9284901?casa_token=9bEvJ3COOXMAAAAA:pz8TsMSrecv_ip1t9rEI7tYn_S_AQyZE_UrgYZ61vX_3Clu0Y17pFTUEpclAcBja13pPEqOsxypp)\n* [Ward2ICU：普通病房住院患者的生命体征数据集](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.00752)\n\n### 贡献\n\n我们欢迎所有贡献。如果您计划提交 bug 修复，请直接操作，无需进一步讨论。如果您打算贡献新功能、工具函数或扩展，请先创建一个问题，并与我们讨论该功能的具体细节。更多详细指南请参阅官方文档。\n\n### 贡献者\n\n本软件由以下人员开发：\n* Avik Pal (@avik-pal)\n* Aniket Das (@Aniket1998)\n\n本项目得以持续发展，离不开所有贡献者的支持。\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fgraphs\u002Fcontributors\">\u003Cimg src=\"https:\u002F\u002Fopencollective.com\u002Ftorchgan\u002Fcontributors.svg?width=890&button=false\" \u002F>\u003C\u002Fa>","# TorchGAN 快速上手指南\n\nTorchGAN 是一个基于 PyTorch 的框架，旨在简化生成对抗网络（GAN）的设计与训练。它提供了模块化结构，支持快速复现经典 GAN 模型，并允许研究者轻松自定义损失函数、网络架构及日志记录方式。\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要求：\n\n*   **操作系统**: Linux, macOS 或 Windows\n*   **Python 版本**: 3.8 或 3.9 (推荐)\n*   **PyTorch 版本**: 1.8, 1.9 或 nightly 版本\n*   **前置依赖**: 已安装 PyTorch (`torch` 和 `torchvision`)\n\n> **提示**: 国内用户建议使用清华源或阿里源加速 PyTorch 及相关依赖的安装。\n\n## 安装步骤\n\n您可以选择以下任意一种方式进行安装。\n\n### 方式一：通过 pip 安装（稳定版，推荐）\n\n```bash\npip install torchgan\n```\n\n**国内加速方案（使用清华源）：**\n```bash\npip install torchgan -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：通过 pip 安装（最新开发版）\n\n如果您需要使用 GitHub 上的最新功能：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\n```\n\n### 方式三：源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan.git\ncd torchgan\npython setup.py install\n```\n\n## 基本使用\n\nTorchGAN 的核心优势在于其模块化设计。以下是一个最简化的使用流程示例，展示如何构建并运行一个基础的 GAN 训练循环。\n\n### 1. 导入模块与定义模型\n\n首先导入必要的组件，并定义您的生成器（Generator）和判别器（Discriminator）。TorchGAN 兼容标准的 `nn.Module`。\n\n```python\nimport torch\nimport torch.nn as nn\nfrom torchgan.inference import Visualizer\nfrom torchgan.trainer import Trainer\n\n# 定义简单的生成器和判别器 (示例)\nclass Generator(nn.Module):\n    def __init__(self):\n        super(Generator, self).__init__()\n        # 定义网络层...\n        pass\n    def forward(self, z):\n        # 前向传播...\n        pass\n\nclass Discriminator(nn.Module):\n    def __init__(self):\n        super(Discriminator, self).__init__()\n        # 定义网络层...\n        pass\n    def forward(self, x):\n        # 前向传播...\n        pass\n\ngenerator = Generator()\ndiscriminator = Discriminator()\n```\n\n### 2. 配置损失函数与优化器\n\nTorchGAN 内置了多种常见的 GAN 损失函数（如 Minimax, WGAN 等），您也可以自定义。\n\n```python\nfrom torchgan.losses import MinimaxLossG, MinimaxLossD\nfrom torch.optim import Adam\n\n# 实例化损失函数\nlosses = {\n    \"generator\": MinimaxLossG(),\n    \"discriminator\": MinimaxLossD()\n}\n\n# 实例化优化器\noptimizers = {\n    \"generator\": Adam(generator.parameters(), lr=0.0002),\n    \"discriminator\": Adam(discriminator.parameters(), lr=0.0002)\n}\n```\n\n### 3. 创建 Trainer 并开始训练\n\n使用 `Trainer` 类将模型、数据加载器、损失函数和优化器组装起来。这是启动训练的最简单方式。\n\n```python\n# 假设 train_loader 是您的 DataLoader\n# trainer = Trainer(losses, optimizers, generator, discriminator, device='cuda')\n\n# 伪代码示例：实际使用时需传入具体的 dataloader\ntrainer = Trainer(\n    losses=losses,\n    optimizers=optimizers,\n    generator=generator,\n    discriminator=discriminator,\n    device='cuda' if torch.cuda.is_available() else 'cpu'\n)\n\n# 开始训练 (epochs, dataloader 等参数根据实际情况调整)\n# trainer(train_loader, epochs=100)\n```\n\n### 4. 可视化结果\n\nTorchGAN 支持无缝集成多种日志后端。您可以在训练过程中轻松保存生成的图像样本。\n\n```python\n# 设置可视化器\nvisualizer = Visualizer(output_dir='.\u002Fgenerated_images')\n\n# 在 Trainer 中注册 hook 或在训练循环中调用\n# 具体用法可参考官方 tutorials 中的详细示例\n```\n\n> **进阶学习**: 更多复杂模型（如 CycleGAN, Self-Attention GAN）的实现及自定义损失函数的教程，请访问项目 `tutorials` 目录或在 Google Colab\u002FBinder 中直接运行官方笔记本。","某计算机视觉实验室的研究团队正致力于开发一种基于生成对抗网络（GAN）的医学影像合成系统，旨在通过生成高质量的虚拟病灶图像来扩充稀缺的训练数据集。\n\n### 没有 torchgan 时\n- **重复造轮子耗时严重**：研究人员每次尝试新的 GAN 变体（如从 DCGAN 切换到 WGAN-GP），都需要从头重写大量的训练循环、损失函数计算及梯度更新逻辑，导致实验迭代周期长达数周。\n- **模块耦合度高，难以创新**：想要替换自定义的生成器架构或测试新型损失函数时，往往需要修改核心训练代码，极易引入难以排查的 Bug，阻碍了前沿算法的快速验证。\n- **训练过程监控困难**：缺乏统一的日志接口，可视化生成样本和监控损失曲线需要手动集成 TensorBoard 或 Matplotlib，配置繁琐且不同实验间的记录格式混乱，难以横向对比效果。\n\n### 使用 torchgan 后\n- **快速复用成熟模型**：借助 torchgan 内置的模块化组件，团队仅需几行代码即可加载并运行多种主流 GAN 模型，将新模型的部署时间从数周缩短至几小时。\n- **灵活插拔自定义模块**：利用其高扩展性架构，研究人员可以像搭积木一样，将自研的特殊网络层或损失函数无缝嵌入标准训练流程中，无需改动底层逻辑即可验证创新点。\n- **一站式可视化监控**：通过原生支持的多种日志后端，自动生成整齐划一的训练图表和样本演化序列，让团队能实时直观地评估生成质量，大幅提升了调参效率。\n\ntorchgan 通过标准化的模块化设计，将研究人员从繁琐的工程实现中解放出来，使其能专注于生成模型的核心算法创新与业务价值落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftorchgan_torchgan_9fdd970d.png","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftorchgan_74edf610.png","Lightweight framework for easily and efficiently training Generative Adversarial Networks in PyTorch",null,"avikpal@iitk.ac.in","https:\u002F\u002Fgithub.com\u002Ftorchgan",[78,82,86],{"name":79,"color":80,"percentage":81},"Python","#3572A5",67.1,{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",29.4,{"name":87,"color":88,"percentage":89},"TeX","#3D6117",3.5,1425,168,"2026-03-31T12:35:18","MIT",1,"Linux, macOS, Windows","未说明 (基于 PyTorch，通常训练 GAN 需要 GPU，但 README 未指定具体型号或显存要求)","未说明",{"notes":99,"python":100,"dependencies":101},"该工具是一个基于 PyTorch 的 GAN 训练框架。支持通过 pip 直接安装稳定版，或从源码安装。提供了针对 Google Colab 和 Binder 的教程环境。具体的 PyTorch 版本兼容性需参考其 CI 测试矩阵（支持 1.8, 1.9 及 nightly 版）。","3.8, 3.9",[102,103],"torch (1.8, 1.9 或 nightly 版本)","torchvision (隐含依赖)",[15,14],[106,107,108,109,110,111,112,113,114,115],"machine-learning","computer-vision","generative-adversarial-networks","python3","pytorch","neural-networks","deep-learning","generative-model","python","gans","2026-03-27T02:49:30.150509","2026-04-07T04:09:44.635420",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},20912,"如何引用 TorchGAN 项目？","您可以引用发表在 arXiv 上的论文。BibTeX 格式如下：\n@misc{pal2019torchgan,\n    title={{TorchGAN: A Flexible Framework for GAN Training and Evaluation}},\n    author={Avik Pal, and Aniket Das},\n    year={2019},\n    eprint={1909.03410},\n    archivePrefix={arXiv},\n    primaryClass={cs.LG}\n}","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F111",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},20913,"运行 Trainer 时出现 'Connection refused' 或 urllib3 错误怎么办？","这通常是因为安装了 `visdom` 但未启动服务器导致的。解决方法有两种：\n1. 手动启动 visdom 服务器。\n2. 如果不需要 visdom 日志，可以在代码开头添加以下环境变量设置来禁用它：\nimport os\nos.environ[\"VISDOM_LOGGING\"] = \"0\"","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F73",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},20914,"训练大于 32x32 的图像时出现 'RuntimeError: shape invalid' 错误如何解决？","这通常是因为网络架构中的 `step_channels` 参数与输入图像尺寸不匹配。建议参考官方 Tutorial 1，根据图像分辨率调整生成器和判别器中的 `step_channels` 参数。此外，使用 `ImageFolder` 加载数据时，无需为训练集、验证集和测试集创建三个独立的数据集对象，只需通过文件夹结构区分并传递给 DataLoader 即可。","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F150",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},20915,"保存的图像质量比 Tensorboard 中显示的差，原因是什么？","Tensorboard 的结果通常是准确的。如果保存的图像质量较差，可能不是可视化问题，而是模型本身出现了模式崩溃（mode collapse）等问题导致生成的样本质量低。建议检查训练过程和超参数设置。","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F86",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},20916,"TorchGAN 支持哪些 PyTorch 版本？","建议使用较新版本的 PyTorch（例如 1.9.0 及以上）。如果您需要复现基于旧版本代码的科学结果，请注意版本兼容性；维护者建议直接使用最新的稳定版本（如 v0.1.0 或更高），以避免旧版本（如 v0.0.4）在较新或较旧 PyTorch 环境下的兼容性问题。","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F144",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},20917,"如何在 Windows 10 上安装 TorchGAN？","TorchGAN 支持 Windows 系统。推荐尝试使用 conda 进行安装：\nconda install -c avik-pal torchgan\n如果遇到包找不到的错误（PackagesNotFoundError），请确保您的 conda 渠道配置正确，或者尝试更新 conda 和 Python 环境到较新版本（原问题中用户使用的是较旧的 Python 3.5 和 Anaconda 4.2.0，可能导致兼容性问题）。","https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fissues\u002F78",[150,155,159,163,167],{"id":151,"version":152,"summary_zh":153,"released_at":154},126934,"v0.1.0","## 变更内容\n* 通过 GitHub Actions 添加更多 CI 测试，由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F130 中完成\n* 由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F131 中重新格式化教程\n* 由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F132 中更新 Colab 中的数据下载方式\n* 由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F134 中修复页面头部的版本号\n* 由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F137 中修复 #136 问题\n* 由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F139 中更新测试流程\n* 由 @XiangYyang 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F141 中修复设备相关问题\n* JOSS 论文，由 @avik-pal 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F142 中完成\n\n## 新贡献者\n* @XiangYyang 在 https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fpull\u002F141 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ftorchgan\u002Ftorchgan\u002Fcompare\u002Fv0.0.4...v0.1.0","2021-10-18T12:53:05",{"id":156,"version":157,"summary_zh":74,"released_at":158},126935,"v0.0.4","2020-02-09T18:41:24",{"id":160,"version":161,"summary_zh":74,"released_at":162},126936,"v0.0.3","2019-09-18T09:14:13",{"id":164,"version":165,"summary_zh":74,"released_at":166},126937,"v0.0.2","2018-12-20T10:04:03",{"id":168,"version":169,"summary_zh":170,"released_at":171},126938,"v0.0.1","这主要用于当前的实验性开发。支持的功能将作为后续稳定版本的基础。","2018-10-12T09:14:14"]