[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xiaowei-hu--CycleGAN-tensorflow":3,"tool-xiaowei-hu--CycleGAN-tensorflow":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":78,"owner_location":79,"owner_email":80,"owner_twitter":78,"owner_website":78,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":78,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":105,"github_topics":106,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":110,"updated_at":111,"faqs":112,"releases":143},1291,"xiaowei-hu\u002FCycleGAN-tensorflow","CycleGAN-tensorflow","Tensorflow implementation for learning an image-to-image translation without input-output pairs. https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.10593.pdf","CycleGAN-tensorflow 是一个基于 TensorFlow 实现的图像转换工具，能够将一种风格的图像转换为另一种风格的图像，而无需成对的输入输出图像。它通过一种称为“循环一致性对抗网络”的方法，实现了无配对图像之间的转换，比如将马的图片转换为斑马，或将油画风格转换为真实照片。\n\n这一工具解决了传统图像翻译任务中需要大量配对数据的问题，使得在没有对应输入输出样本的情况下也能完成高质量的图像转换。这在实际应用中非常有用，因为获取大量配对图像往往成本高昂且困难。\n\nCycleGAN-tensorflow 适合研究人员和开发者使用，尤其是对图像生成、风格迁移或计算机视觉领域感兴趣的人群。它提供了多种预训练模型和数据集，方便用户快速上手测试和实验。\n\n其独特之处在于利用了循环一致性损失，确保图像在两个方向转换后仍能保持原始内容，从而提升了生成图像的质量与真实性。","\u003C!-- \u003Cimg src='imgs\u002Fhorse2zebra.gif' align=\"right\" width=384> \n\n\u003Cbr>\u003Cbr>\u003Cbr>\n-->\n# CycleGAN\n\nTensorflow implementation for learning an image-to-image translation **without** input-output pairs.\nThe method is proposed by [Jun-Yan Zhu](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~junyanz\u002F) in \n[Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networkssee](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.10593.pdf). \nFor example in paper:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_9ca7bf930668.jpg\" width=\"1000px\"\u002F>\n\n\u003C!--\n## Applications\n### Monet Paintings to Photos\n\u003Cimg src=\"imgs\u002Fpainting2photo.jpg\" width=\"1000px\"\u002F>\n\n### Collection Style Transfer\n\u003Cimg src=\"imgs\u002Fphoto2painting.jpg\" width=\"1000px\"\u002F>\n\n### Object Transfiguration\n\u003Cimg src=\"imgs\u002Fobjects.jpg\" width=\"1000px\"\u002F>\n\n### Season Transfer\n\u003Cimg src=\"imgs\u002Fseason.jpg\" width=\"1000px\"\u002F>\n\n### Photo Enhancement: iPhone photo to DSLR photo\n\u003Cimg src=\"imgs\u002Fphoto_enhancement.jpg\" width=\"1000px\"\u002F>\n\n-->\n\n## Update Results\nThe results of this implementation:\n\n- Horses -> Zebras \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_f357e8f8cb5a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_33ba3a697bdd.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_90e5b482864a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_433a3547eb6c.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_7023dbc62514.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_42be98481fb2.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_b3eae386ad85.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_b6196a9a6419.jpg\" width=\"200px\"\u002F>\n\n- Zebras -> Horses \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_692fcb90fca9.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_8d2a66812c27.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_5aa7b4941d41.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_d85d1be4289e.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_ea9f2ffa2f0f.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_fa95a012802a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_6e328be4fee7.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_61a49b4ed39a.jpg\" width=\"200px\"\u002F>\n\nYou can download the pretrained model from [this url](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AroAdu0uts_gj5tA93GnwyfRpvBIDA)\nand extract the rar file to `.\u002Fcheckpoint\u002F`.\n\n\n## Prerequisites\n- tensorflow r1.1\n- numpy 1.11.0\n- scipy 0.17.0\n- pillow 3.3.0\n\n## Getting Started\n### Installation\n- Install tensorflow from https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\n- Clone this repo:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxhujoy\u002FCycleGAN-tensorflow\ncd CycleGAN-tensorflow\n```\n\n### Train\n- Download a dataset (e.g. zebra and horse images from ImageNet):\n```bash\nbash .\u002Fdownload_dataset.sh horse2zebra\n```\n- Train a model:\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra\n```\n- Use tensorboard to visualize the training details:\n```bash\ntensorboard --logdir=.\u002Flogs\n```\n\n### Test\n- Finally, test the model:\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra --phase=test --which_direction=AtoB\n```\n\n## Training and Test Details\nTo train a model,  \n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=\u002Fpath\u002Fto\u002Fdata\u002F \n```\nModels are saved to `.\u002Fcheckpoints\u002F` (can be changed by passing `--checkpoint_dir=your_dir`).  \n\nTo test the model,\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=\u002Fpath\u002Fto\u002Fdata\u002F --phase=test --which_direction=AtoB\u002FBtoA\n```\n\n## Datasets\nDownload the datasets using the following script:\n```bash\nbash .\u002Fdownload_dataset.sh dataset_name\n```\n- `facades`: 400 images from the [CMP Facades dataset](http:\u002F\u002Fcmp.felk.cvut.cz\u002F~tylecr1\u002Ffacade\u002F).\n- `cityscapes`: 2975 images from the [Cityscapes training set](https:\u002F\u002Fwww.cityscapes-dataset.com\u002F).\n- `maps`: 1096 training images scraped from Google Maps.\n- `horse2zebra`: 939 horse images and 1177 zebra images downloaded from [ImageNet](http:\u002F\u002Fwww.image-net.org\u002F) using keywords `wild horse` and `zebra`.\n- `apple2orange`: 996 apple images and 1020 orange images downloaded from [ImageNet](http:\u002F\u002Fwww.image-net.org\u002F) using keywords `apple` and `navel orange`.\n- `summer2winter_yosemite`: 1273 summer Yosemite images and 854 winter Yosemite images were downloaded using Flickr API. See more details in our paper.\n- `monet2photo`, `vangogh2photo`, `ukiyoe2photo`, `cezanne2photo`: The art images were downloaded from [Wikiart](https:\u002F\u002Fwww.wikiart.org\u002F). The real photos are downloaded from Flickr using combination of tags *landscape* and *landscapephotography*. The training set size of each class is Monet:1074, Cezanne:584, Van Gogh:401, Ukiyo-e:1433, Photographs:6853.\n- `iphone2dslr_flower`: both classe of images were downlaoded from Flickr. The training set size of each class is iPhone:1813, DSLR:3316. See more details in our paper.\n\n\n## Reference\n- The torch implementation of CycleGAN, https:\u002F\u002Fgithub.com\u002Fjunyanz\u002FCycleGAN\n- The tensorflow implementation of pix2pix, https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002Fpix2pix-tensorflow\n","\u003C!-- \u003Cimg src='imgs\u002Fhorse2zebra.gif' align=\"right\" width=384> \n\n\u003Cbr>\u003Cbr>\u003Cbr>\n-->\n# CycleGAN\n\n基于TensorFlow的无监督图像到图像转换学习实现。\n该方法由[Jun-Yan Zhu](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~junyanz\u002F)在[使用循环一致性对抗网络的无配对图像到图像转换](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.10593.pdf)中提出。例如，论文中的示例：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_9ca7bf930668.jpg\" width=\"1000px\"\u002F>\n\n\u003C!--\n## 应用\n### 莫奈画作转照片\n\u003Cimg src=\"imgs\u002Fpainting2photo.jpg\" width=\"1000px\"\u002F>\n\n### 收藏风格迁移\n\u003Cimg src=\"imgs\u002Fphoto2painting.jpg\" width=\"1000px\"\u002F>\n\n### 物体变形\n\u003Cimg src=\"imgs\u002Fobjects.jpg\" width=\"1000px\"\u002F>\n\n### 季节转换\n\u003Cimg src=\"imgs\u002Fseason.jpg\" width=\"1000px\"\u002F>\n\n### 照片增强：iPhone照片转单反照片\n\u003Cimg src=\"imgs\u002Fphoto_enhancement.jpg\" width=\"1000px\"\u002F>\n\n-->\n\n## 更新结果\n本实现的结果如下：\n\n- 马 -> 斑马 \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_f357e8f8cb5a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_33ba3a697bdd.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_90e5b482864a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_433a3547eb6c.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_7023dbc62514.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_42be98481fb2.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_b3eae386ad85.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_b6196a9a6419.jpg\" width=\"200px\"\u002F>\n\n- 斑马 -> 马 \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_692fcb90fca9.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_8d2a66812c27.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_5aa7b4941d41.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_d85d1be4289e.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_ea9f2ffa2f0f.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_fa95a012802a.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_6e328be4fee7.jpg\" width=\"200px\"\u002F> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_readme_61a49b4ed39a.jpg\" width=\"200px\"\u002F>\n\n您可以从[此链接](https:\u002F\u002F1drv.ms\u002Fu\u002Fs!AroAdu0uts_gj5tA93GnwyfRpvBIDA)下载预训练模型，并将rar文件解压至`.\u002Fcheckpoint\u002F`。\n\n## 先决条件\n- tensorflow r1.1\n- numpy 1.11.0\n- scipy 0.17.0\n- pillow 3.3.0\n\n## 快速入门\n### 安装\n- 从https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow安装tensorflow\n- 克隆此仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxhujoy\u002FCycleGAN-tensorflow\ncd CycleGAN-tensorflow\n```\n\n### 训练\n- 下载数据集（例如来自ImageNet的斑马与马的图片）：\n```bash\nbash .\u002Fdownload_dataset.sh horse2zebra\n```\n- 训练模型：\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra\n```\n- 使用tensorboard可视化训练细节：\n```bash\ntensorboard --logdir=.\u002Flogs\n```\n\n### 测试\n- 最后，测试模型：\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra --phase=test --which_direction=AtoB\n```\n\n## 训练与测试详情\n要训练模型，\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=\u002Fpath\u002Fto\u002Fdata\u002F\n```\n模型会保存到`.\u002Fcheckpoints\u002F`（可通过传递`--checkpoint_dir=your_dir`更改路径）。  \n\n要测试模型，\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=\u002Fpath\u002Fto\u002Fdata\u002F --phase=test --which_direction=AtoB\u002FBtoA\n```\n\n## 数据集\n使用以下脚本下载数据集：\n```bash\nbash .\u002Fdownload_dataset.sh dataset_name\n```\n- `facades`: 来自[CMP Facades数据集](http:\u002F\u002Fcmp.felk.cvut.cz\u002F~tylecr1\u002Ffacade\u002F)的400张图片。\n- `cityscapes`: 来自[Cityscapes训练集](https:\u002F\u002Fwww.cityscapes-dataset.com\u002F)的2975张图片。\n- `maps`: 从Google Maps抓取的1096张训练图片。\n- `horse2zebra`: 从[ImageNet](http:\u002F\u002Fwww.image-net.org\u002F)下载的939张马图和1177张斑马图，关键词为“wild horse”和“zebra”。\n- `apple2orange`: 从[ImageNet](http:\u002F\u002Fwww.image-net.org\u002F)下载的996张苹果图和1020张橙子图，关键词为“apple”和“navel orange”。\n- `summer2winter_yosemite`: 使用Flickr API下载了1273张优胜美地夏季图片和854张优胜美地冬季图片。更多细节请参见我们的论文。\n- `monet2photo`, `vangogh2photo`, `ukiyoe2photo`, `cezanne2photo`: 艺术作品图片来自[Wikiart](https:\u002F\u002Fwww.wikiart.org\u002F)。真实照片则通过Flickr下载，标签组合为*landscape*和*landscapephotography*。每类的训练集规模分别为：莫奈：1074张，塞尚：584张，梵高：401张，浮世绘：1433张，照片：6853张。\n- `iphone2dslr_flower`: 两类图片均来自Flickr。每类的训练集规模分别为：iPhone：1813张，DSLR：3316张。更多细节请参见我们的论文。\n\n\n## 参考文献\n- CycleGAN的PyTorch实现，https:\u002F\u002Fgithub.com\u002Fjunyanz\u002FCycleGAN\n- pix2pix的TensorFlow实现，https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002Fpix2pix-tensorflow","# CycleGAN-tensorflow 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 推荐使用 Linux 或 macOS 系统，Windows 系统可能需要额外配置。\n\n### 前置依赖\n确保安装以下依赖库：\n\n- TensorFlow r1.1\n- numpy 1.11.0\n- scipy 0.17.0\n- pillow 3.3.0\n\n建议使用国内镜像源安装 Python 包以加快速度，例如使用 `pip` 安装时添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数。\n\n## 安装步骤\n\n1. **安装 TensorFlow**  \n   可从 [TensorFlow 官方 GitHub](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow) 获取并安装对应版本。\n\n2. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fxhujoy\u002FCycleGAN-tensorflow\n   cd CycleGAN-tensorflow\n   ```\n\n## 基本使用\n\n### 示例：训练模型（以 horse2zebra 数据集为例）\n\n1. **下载数据集**\n   ```bash\n   bash .\u002Fdownload_dataset.sh horse2zebra\n   ```\n\n2. **开始训练**\n   ```bash\n   CUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra\n   ```\n\n3. **查看训练过程**\n   使用 TensorBoard 查看训练细节：\n   ```bash\n   tensorboard --logdir=.\u002Flogs\n   ```\n\n### 示例：测试模型\n\n1. **运行测试**\n   ```bash\n   CUDA_VISIBLE_DEVICES=0 python main.py --dataset_dir=horse2zebra --phase=test --which_direction=AtoB\n   ```\n\n> 注意：`--which_direction` 参数可选 `AtoB` 或 `BtoA`，根据你的需求选择转换方向。","某旅游摄影工作室的摄影师需要将客户提供的普通手机拍摄的照片，转换为具有专业质感的 DSLR 相机风格照片，以满足高端客户对视觉效果的要求。\n\n### 没有 CycleGAN-tensorflow 时\n- 需要大量成对的手机照片和 DSLR 照片数据集进行训练，但这类高质量配对数据难以获取。\n- 依赖人工后期处理，耗时且成本高，无法批量处理大量照片。\n- 转换效果不够自然，缺乏真实感，难以满足客户对细节和质感的要求。\n- 每次调整风格都需要重新训练模型，灵活性差，开发周期长。\n\n### 使用 CycleGAN-tensorflow 后\n- 可直接使用未配对的手机照片和 DSLR 照片数据集进行训练，无需手动标注或配对数据。\n- 自动化完成图像风格迁移，大幅提升处理效率，支持批量处理。\n- 输出的照片更接近真实 DSLR 效果，细节丰富，光影自然，提升客户满意度。\n- 模型可快速适应不同风格需求，只需更换训练数据即可实现多种风格转换。\n\nCycleGAN-tensorflow 让非配对图像转换变得高效、灵活，显著降低了图像增强的技术门槛与成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaowei-hu_CycleGAN-tensorflow_9ca7bf93.jpg","xiaowei-hu","Xiaowei Hu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxiaowei-hu_34e3d0de.jpg",null,"Beijing, China","xiaowei.hu@outlook.com","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",97.3,{"name":88,"color":89,"percentage":90},"Shell","#89e051",2.7,715,293,"2026-03-26T13:34:37","Linux, macOS","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，并解压到 `.\u002Fcheckpoint\u002F` 目录。训练时需使用 CUDA_VISIBLE_DEVICES 设置 GPU 设备。","未说明",[101,102,103,104],"tensorflow r1.1","numpy 1.11.0","scipy 0.17.0","pillow 3.3.0",[14,13,26],[107,108,109],"cyclegan","tensorflow","image-translation","2026-03-27T02:49:30.150509","2026-04-06T06:53:18.987202",[113,118,123,128,133,138],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},5899,"如何解决训练时出现的内存不足（OOM）问题？","可以尝试以下方法：1. 减少生成器中的残差块数量；2. 调整 `--ngf` 参数，例如从 `32` 改为 `64`；3. 使用与原始论文相同的 learning rate schedule；4. 移除生成器最后的归一化层；5. 联合训练两个生成器。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F10",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},5900,"如何解决高分辨率训练时出现的 OOM 错误？","可以尝试调整 GPU 内存分配参数，如设置 `config.gpu_options.per_process_gpu_memory_fraction = 0.40` 或更低。如果仍然无法解决，可以减少生成器中残差块的数量以降低模型复杂度。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F20",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},5901,"运行时出现 'Load Failed' 错误该如何处理？","请确保数据集路径正确，并使用软链接将数据集目录链接到项目根目录下的 `.\u002Fdatasets` 文件夹，例如：`ln -s \u002Fyour\u002Fdataset\u002Fpath .\u002Fdatasets`。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F14",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},5902,"如何解决 'ResourceExhaustedError'（资源耗尽错误）？","可以尝试减小 `arg.train_size` 或直接修改 `batch_idxs` 的值为小于 1067 的数字，例如在 `model.py` 中找到对应代码进行调整。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F17",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},5903,"为什么 CycleGAN-tensorflow 的训练结果不如原版 CycleGAN？","可能是由于归一化方式不同，建议将批量归一化（BatchNorm）替换为实例归一化（InstanceNorm），这在最新的提交中已经实现。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F5",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},5904,"如何解决 'Variable already exists' 错误？","该错误通常发生在重新启动训练时变量已存在的情况下，可以尝试重启内核或在定义变量时设置 `reuse=True` 或 `reuse=tf.AUTO_REUSE`。","https:\u002F\u002Fgithub.com\u002Fxiaowei-hu\u002FCycleGAN-tensorflow\u002Fissues\u002F64",[]]