[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-woodrush--neural-art-tf":3,"tool-woodrush--neural-art-tf":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",150720,2,"2026-04-11T11:33:10",[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。",108322,"2026-04-10T11:39:34",[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},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":102,"github_topics":91,"view_count":32,"oss_zip_url":91,"oss_zip_packed_at":91,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":116},6670,"woodrush\u002Fneural-art-tf","neural-art-tf","\"A neural algorithm of Artistic style\" in tensorflow","neural-art-tf 是一个基于 TensorFlow 实现的开源项目，旨在复现经典的“神经风格迁移”算法。它的核心功能是将一张内容图片与另一张风格图片相结合，自动生成兼具两者特征的艺术作品，从而解决如何利用深度学习技术进行自动化艺术创作的问题。\n\n与其他复杂的实现不同，neural-art-tf 特别注重代码的简洁性与可理解性。其独特的技术亮点在于展示了如何将 Caffe 框架下的预训练模型（如 VGG 和 illustration2vec）导入到 TensorFlow 中使用，并提供了基础的 TensorBoard 可视化支持，让用户能直观观察生成过程。在该算法设定中，神经网络权重固定，仅对输入图像进行优化，这种设计使得代码逻辑非常清晰。\n\n这款工具非常适合希望入门 TensorFlow 的开发者和技术研究人员，可作为学习深度学习模型加载、优化及可视化的优质教学案例。同时，由于支持切换不同的卷积神经网络模型以获得多样的艺术效果，它也适合对 AI 艺术创作感兴趣的设计师或技术爱好者进行实验和娱乐。无论是用于学习底层原理，还是快速体验风格迁移的魅力，neural-art-tf 都","neural-art-tf 是一个基于 TensorFlow 实现的开源项目，旨在复现经典的“神经风格迁移”算法。它的核心功能是将一张内容图片与另一张风格图片相结合，自动生成兼具两者特征的艺术作品，从而解决如何利用深度学习技术进行自动化艺术创作的问题。\n\n与其他复杂的实现不同，neural-art-tf 特别注重代码的简洁性与可理解性。其独特的技术亮点在于展示了如何将 Caffe 框架下的预训练模型（如 VGG 和 illustration2vec）导入到 TensorFlow 中使用，并提供了基础的 TensorBoard 可视化支持，让用户能直观观察生成过程。在该算法设定中，神经网络权重固定，仅对输入图像进行优化，这种设计使得代码逻辑非常清晰。\n\n这款工具非常适合希望入门 TensorFlow 的开发者和技术研究人员，可作为学习深度学习模型加载、优化及可视化的优质教学案例。同时，由于支持切换不同的卷积神经网络模型以获得多样的艺术效果，它也适合对 AI 艺术创作感兴趣的设计师或技术爱好者进行实验和娱乐。无论是用于学习底层原理，还是快速体验风格迁移的魅力，neural-art-tf 都是一个轻量且友好的选择。","# \"Neural Art\" in TensorFlow\n\nAn implementation of [\"A neural algorithm of Artistic style\"](http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576) in TensorFlow, for\n\n- Introductory, hackable demos for TensorFlow, and\n- Demonstrating the use of importing various Caffe cnn models (VGG and illustration2vec) in TF.\n\nIn this work, I put effort in putting the code simple as possible, for being a good introductory code to TF. For this reason, I also implemented very basic uses of TensorBoard (the visualizer). I also aimed on demonstrating the use of importing various Caffe models from *.caffemodel files into TensorFlow, especially models that seemed not to be imported by anybody yet in TF (as far as I know). Based on [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow), I modified the importer so that it can import illustration2vec (http:\u002F\u002Fillustration2vec.net\u002F), which is another CNN available as a Caffe model. Using different CNNs yields different results, which reflects the characteristics of the model.\n\nIn the Neural Art problem setting, the weights of the CNN are fixed, and the input image into the CNN is the only \"trainable\" variable, making the code easy to understand (the optimized\u002Ftrained image is the output image). I hope this example serves as a good introduction to TensorFlow as well as for entertainment purposes.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwoodrush_neural-art-tf_readme_d28ca19851c9.png\">\n\n(VGG, default settings, 70 iterations)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwoodrush_neural-art-tf_readme_34067976990b.png\">\n\n(illustration2vec, width=500, beta=10000, 100 iterations)\n\n##Usage\n\n### Step 0: Prepare the Caffe model\nFirst, download either the VGG model or the illustration2vec model (\\*.caffemodel), along with the prototxt (\\*.prototxt):\n\n- VGG: [https:\u002F\u002Fgist.github.com\u002Fksimonyan\u002F211839e770f7b538e2d8#file-readme-md](https:\u002F\u002Fgist.github.com\u002Fksimonyan\u002F211839e770f7b538e2d8#file-readme-md)\n- illustration2vec: [http:\u002F\u002Fillustration2vec.net\u002F](http:\u002F\u002Fillustration2vec.net\u002F)   (pre-trained model for tag prediction, version 2.0)\n\nThen, convert the model to a binary format recognizable to TensorFlow:\n\n\tpython .\u002Fkaffe\u002Fkaffe.py [path.prototxt] [path.caffemodel] [output-path]\n\nNote that Caffe is *not* required for conversion.\n\nThe converter included in this repo (all code inside .\u002Fkaffe) is a modified version of (an old version of) https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow . The converter is modified to be capable of handling the illusration2vec neural network. Since the newer version of the converter requires preprocessing with the Caffe framework for old-format Caffe models (at the time of writing), I have included the converter which is based on the older code, which is capable of handling old-format Caffe models. \n\n### Step 1: Neural Art\n\n\tpython neural-art-tf.py\n\nRunning `neural-art-tf.py` without options yields the default settings and input images. Available options are:\n\n- `-m, --model`:      Model type - Use `vgg` or `i2v`\n- `-mp, --modelpath`: Model file path - The path to the converted Caffe model in Step 0\n- `-c, --content`:    Content image path\n- `-s, --style`:      Style image path\n- `-w, --width`:      Output image width\n- `-i, --iters`:      Number of iterations\n- `-a, --alpha`:      alpha (content weight)\n- `-b, --beta`:       beta (style weight)\n\nFor example:\n\n\n\tpython neural-art-tf.py -m vgg -mp .\u002Fvgg -c .\u002Fimages\u002Fsd.jpg -s .\u002Fimages\u002Fstyle.jpg -w 800\n\nYou can view the progress on tensorboard by running\n\n\ttensorboard --logdir=\u002Ftmp\u002Fna-logs\n\n## References\n- L. A. Gatys, et al., A neural algorithm of Artistic style, 2015, [http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576](http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576)\n- [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow) : The Caffe model converter\n- [https:\u002F\u002Fgithub.com\u002Fmattya\u002Fchainer-gogh](https:\u002F\u002Fgithub.com\u002Fmattya\u002Fchainer-gogh) : Implementation in Chainer. Referenced the argument parser\n- [https:\u002F\u002Fgithub.com\u002Fanishathalye\u002Fneural-style](https:\u002F\u002Fgithub.com\u002Fanishathalye\u002Fneural-style) : Another implementation in TensorFlow. Referenced the learning rates\n\n\n- `.\u002Fkaffe\u002Fcaffepb.py` was referenced from [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow).\n- `.\u002Fkaffe\u002Fkaffe.py`, `.\u002Fnetwork.py`, `.\u002Fmodels.py` are modified versions originally from [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow). (`.\u002Fmodels.py` was originally `vgg.py`)\n","# TensorFlow 中的“神经艺术”\n\n这是 [《艺术风格的神经算法》](http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576) 在 TensorFlow 中的实现，用于：\n\n- 作为 TensorFlow 的入门级、可 hack 的示例；\n- 展示如何在 TensorFlow 中导入多种 Caffe CNN 模型（VGG 和 illustration2vec）。\n\n在这项工作中，我尽量使代码尽可能简单，以便作为 TensorFlow 的良好入门示例。因此，我还实现了 TensorBoard（可视化工具）的非常基础用法。此外，我的目标是演示如何将各种 Caffe 模型从 *.caffemodel 文件导入 TensorFlow，尤其是那些据我所知尚未被任何人成功导入到 TensorFlow 中的模型。基于 [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow)，我对导入器进行了修改，使其能够导入 illustration2vec（http:\u002F\u002Fillustration2vec.net\u002F），这是一种同样以 Caffe 模型形式提供的 CNN。使用不同的 CNN 会产生不同的结果，这反映了各个模型的特点。\n\n在神经艺术问题的设定中，CNN 的权重是固定的，只有输入图像才是“可训练”的变量，这使得代码易于理解（优化后的图像即为输出图像）。我希望这个示例既能作为 TensorFlow 的良好入门，也能带来娱乐效果。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwoodrush_neural-art-tf_readme_d28ca19851c9.png\">\n\n（VGG，默认设置，70 次迭代）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwoodrush_neural-art-tf_readme_34067976990b.png\">\n\n（illustration2vec，宽度=500，beta=10000，100 次迭代）\n\n## 使用方法\n\n### 步骤 0：准备 Caffe 模型\n首先，下载 VGG 模型或 illustration2vec 模型（*.caffemodel），以及对应的 prototxt 文件（*.prototxt）：\n\n- VGG：[https:\u002F\u002Fgist.github.com\u002Fksimonyan\u002F211839e770f7b538e2d8#file-readme-md](https:\u002F\u002Fgist.github.com\u002Fksimonyan\u002F211839e770f7b538e2d8#file-readme-md)\n- illustration2vec：[http:\u002F\u002Fillustration2vec.net\u002F](http:\u002F\u002Fillustration2vec.net\u002F) （用于标签预测的预训练模型，版本 2.0）\n\n然后，将模型转换为 TensorFlow 可识别的二进制格式：\n\n\tpython .\u002Fkaffe\u002Fkaffe.py [path.prototxt] [path.caffemodel] [output-path]\n\n请注意，转换过程并不需要安装 Caffe。\n\n本仓库中包含的转换工具（位于 .\u002Fkaffe 目录下的所有代码）是对 https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow 的一个旧版本进行修改后的产物。该工具经过改进，能够处理 illustration2vec 神经网络。由于较新版本的转换工具在处理旧格式的 Caffe 模型时需要先使用 Caffe 框架进行预处理（截至撰写本文时的情况），因此我保留了基于旧代码的转换工具，它可以直接处理旧格式的 Caffe 模型。\n\n### 步骤 1：神经艺术\n\n\tpython neural-art-tf.py\n\n直接运行 `neural-art-tf.py` 不带任何参数时，将使用默认设置和输入图像。可用的命令行选项如下：\n\n- `-m, --model`：模型类型——使用 `vgg` 或 `i2v`\n- `-mp, --modelpath`：模型文件路径——步骤 0 中转换后的 Caffe 模型路径\n- `-c, --content`：内容图像路径\n- `-s, --style`：风格图像路径\n- `-w, --width`：输出图像宽度\n- `-i, --iters`：迭代次数\n- `-a, --alpha`：alpha（内容权重）\n- `-b, --beta`：beta（风格权重）\n\n例如：\n\n\n\tpython neural-art-tf.py -m vgg -mp .\u002Fvgg -c .\u002Fimages\u002Fsd.jpg -s .\u002Fimages\u002Fstyle.jpg -w 800\n\n可以通过运行以下命令在 TensorBoard 上查看进度：\n\n\ttensorboard --logdir=\u002Ftmp\u002Fna-logs\n\n## 参考文献\n- L. A. Gatys 等人，《艺术风格的神经算法》，2015 年，[http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576](http:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06576)\n- [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow)：Caffe 模型转换工具\n- [https:\u002F\u002Fgithub.com\u002Fmattya\u002Fchainer-gogh](https:\u002F\u002Fgithub.com\u002Fmattya\u002Fchainer-gogh)：Chainer 中的实现，参考了其参数解析器\n- [https:\u002F\u002Fgithub.com\u002Fanishathalye\u002Fneural-style](https:\u002F\u002Fgithub.com\u002Fanishathalye\u002Fneural-style)：TensorFlow 中的另一种实现，参考了其中的学习率设置\n\n\n- `.\u002Fkaffe\u002Fcaffepb.py` 参考自 [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow)。\n- `.\u002Fkaffe\u002Fkaffe.py`、`.\u002Fnetwork.py`、`.\u002Fmodels.py` 均为对 [https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow](https:\u002F\u002Fgithub.com\u002Fethereon\u002Fcaffe-tensorflow) 原始代码的修改版本。（`.\u002Fmodels.py` 原本名为 `vgg.py`）","# neural-art-tf 快速上手指南\n\n`neural-art-tf` 是一个基于 TensorFlow 实现的神经风格迁移（Neural Art）工具。它支持导入 Caffe 模型（如 VGG 和 illustration2vec），代码结构简洁，非常适合用于学习 TensorFlow 基础及体验艺术风格生成。\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**：建议 Python 3.x\n*   **核心依赖**：\n    *   TensorFlow (需安装与代码兼容的版本，通常为 TF 1.x，若使用新版 TF 可能需要调整代码)\n    *   NumPy\n    *   SciPy\n    *   Pillow (PIL)\n*   **可选工具**：TensorBoard (通常随 TensorFlow 一起安装，用于可视化训练过程)\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow numpy scipy pillow`\n\n## 安装步骤\n\n本项目无需复杂的安装脚本，主要通过克隆仓库和准备模型文件来完成设置。\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyasuhiko\u002Fneural-art-tf.git\ncd neural-art-tf\n```\n\n### 2. 下载并转换 Caffe 模型\n工具本身不包含预训练模型，需要手动下载 Caffe 格式的模型（`.caffemodel` 和 `.prototxt`），并将其转换为 TensorFlow 可读的二进制格式。\n\n**选项 A：VGG 模型 (推荐)**\n1.  从 [VGG Gist](https:\u002F\u002Fgist.github.com\u002Fksimonyan\u002F211839e770f7b538e2d8#file-readme-md) 下载 `VGG_ILSVRC_19_layers.caffemodel` 和对应的 `deploy.prototxt`。\n2.  执行转换命令：\n    ```bash\n    python .\u002Fkaffe\u002Fkaffe.py [path\u002Fto\u002Fdeploy.prototxt] [path\u002Fto\u002FVGG_ILSVRC_19_layers.caffemodel] .\u002Fvgg\n    ```\n\n**选项 B：illustration2vec 模型**\n1.  从 [illustration2vec 官网](http:\u002F\u002Fillustration2vec.net\u002F) 下载预训练模型（Tag prediction, v2.0）。\n2.  执行转换命令：\n    ```bash\n    python .\u002Fkaffe\u002Fkaffe.py [path\u002Fto\u002Fprototxt] [path\u002Fto\u002Fcaffemodel] .\u002Fi2v\n    ```\n\n> **注意**：转换过程不需要安装 Caffe 框架，仅需运行项目自带的 `kaffe` 转换器即可。\n\n## 基本使用\n\n完成模型准备后，即可运行风格迁移脚本。\n\n### 最简单的运行示例\n使用默认设置（默认使用 VGG 模型及内置的示例图片）直接运行：\n\n```bash\npython neural-art-tf.py\n```\n\n### 自定义参数运行\n您可以指定内容图、风格图、模型类型及超参数。以下是一个使用 VGG 模型生成 800 宽度输出图的示例：\n\n```bash\npython neural-art-tf.py -m vgg -mp .\u002Fvgg -c .\u002Fimages\u002Fsd.jpg -s .\u002Fimages\u002Fstyle.jpg -w 800\n```\n\n**常用参数说明：**\n*   `-m, --model`: 模型类型，选择 `vgg` 或 `i2v`\n*   `-mp, --modelpath`: 步骤 2 中生成的转换后模型路径\n*   `-c, --content`: 内容图片路径\n*   `-s, --style`: 风格图片路径\n*   `-w, --width`: 输出图片宽度\n*   `-i, --iters`: 迭代次数 (默认较少，增加可提高质量但耗时更长)\n*   `-a, --alpha`: 内容权重\n*   `-b, --beta`: 风格权重\n\n### 查看训练进度\n如果需要实时监控损失函数变化或生成过程，可启动 TensorBoard：\n\n```bash\ntensorboard --logdir=\u002Ftmp\u002Fna-logs\n```\n然后在浏览器中访问显示的地址（通常为 `http:\u002F\u002Flocalhost:6006`）。","一位独立游戏开发者需要为复古风格的角色扮演游戏快速生成大量具有统一艺术风格的场景概念图，但团队缺乏专业画师且预算有限。\n\n### 没有 neural-art-tf 时\n- 美术资源制作完全依赖人工手绘，每张背景图耗时数天，严重拖慢开发进度。\n- 难以在保证内容结构（如建筑布局、地形）不变的前提下，批量将不同草图转换为统一的油画或插画风格。\n- 若尝试手动调整滤镜或后期特效，往往导致画面失真，无法还原名家笔触的细腻纹理。\n- 团队缺乏深度学习框架经验，面对复杂的模型迁移和代码复现感到无从下手，技术门槛极高。\n\n### 使用 neural-art-tf 后\n- 开发者只需提供一张内容草图和一张风格参考图，运行脚本即可在数十次迭代后自动生成高质量艺术图，效率提升百倍。\n- 通过灵活切换 VGG 或 illustration2vec 等不同预训练模型，轻松实现从写实油画到二次元插画的多种风格迁移，且完美保留原图构图。\n- 利用 TensorBoard 实时可视化训练过程，直观监控风格融合效果，随时调整内容权重（alpha）与风格权重（beta）以优化细节。\n- 项目代码结构简洁且支持直接导入 Caffe 模型，让即使不熟悉 TensorFlow 深层原理的开发者也能快速上手并修改参数。\n\nneural-art-tf 将高深的神经风格迁移算法转化为简单易用的命令行工具，让小型团队也能以极低成本实现专业级的艺术资产批量生产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwoodrush_neural-art-tf_d28ca198.png","woodrush","Hikaru Ikuta","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwoodrush_e6a3ce08.jpg","Ph.D in Information Science and Technology (UTokyo)","@mantra-inc","Tokyo, Japan","woodrush924@gmail.com","woodrush924","woodrush.github.io","https:\u002F\u002Fgithub.com\u002Fwoodrush",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,542,112,"2026-03-15T16:34:41",null,4,"未说明","未说明 (基于 TensorFlow 实现，通常建议使用支持 CUDA 的 NVIDIA GPU 以加速计算，但 README 未明确指定型号、显存或 CUDA 版本)",{"notes":96,"python":97,"dependencies":98},"该工具不需要安装 Caffe 框架，但需要下载 VGG 或 illustration2vec 的 Caffe 模型文件 (.caffemodel 和 .prototxt) 并使用内置脚本转换为 TensorFlow 格式。代码旨在作为 TensorFlow 的入门示例，结构简洁。","未说明 (需运行 python 脚本，推测为 Python 2.7 或 3.x，取决于当时的 TensorFlow 版本)",[99,100,101],"TensorFlow","Caffe (仅模型文件，无需安装框架)","TensorBoard",[15,14],"2026-03-27T02:49:30.150509","2026-04-11T23:25:38.123634",[106,111],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},30127,"运行 kaffe.py 转换数据时出现 'AttributeError: Can't pickle local object' 错误怎么办？","该错误通常发生在 Python 3 环境下，因为代码中存在无法被 pickle 序列化的局部对象。解决方法是修改代码以支持 Python 3 的类型转换。您可以参考此处的修改示例：https:\u002F\u002Fgithub.com\u002FJermmy\u002Fneural_art_tf\u002Fblob\u002Fmaster\u002Fkaffe\u002Fkaffe.py，主要涉及对内部函数或对象定义的调整以避免序列化问题。","https:\u002F\u002Fgithub.com\u002Fwoodrush\u002Fneural-art-tf\u002Fissues\u002F7",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},30128,"运行脚本时提示 'No module named caffe' 错误，是否必须安装 Caffe？","是的，该错误表明系统中未安装 Caffe 模块。您需要先安装 Caffe 框架及其 Python 接口。安装完成后，再次运行命令（例如：python3 kaffe\u002Fkaffe.py '*.prototxt' '*.caffemodel' .）即可正常工作。","https:\u002F\u002Fgithub.com\u002Fwoodrush\u002Fneural-art-tf\u002Fissues\u002F6",[]]