[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yunjey--domain-transfer-network":3,"tool-yunjey--domain-transfer-network":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",157379,2,"2026-04-15T23:32:42",[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":76,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":142},8115,"yunjey\u002Fdomain-transfer-network","domain-transfer-network","TensorFlow Implementation of Unsupervised Cross-Domain Image Generation ","domain-transfer-network 是一个基于 TensorFlow 实现的开源项目，专注于无监督跨域图像生成。它的核心能力是将一种风格的图像自动转换为另一种风格，而无需成对的训练数据。例如，它可以将街景中的数字照片（SVHN 数据集）转化为手写数字风格（MNIST 数据集），甚至能将真实人脸照片转换为表情符号风格。\n\n这一工具主要解决了传统图像转换方法依赖大量“成对”样本（即同一内容的两种风格图片）的难题。通过引入无监督学习机制，domain-transfer-network 让模型能够从两个完全独立的数据集中学习特征映射关系，大大降低了数据准备的成本和难度。其技术亮点在于构建了一个包含特征提取器、生成器和判别器的对抗网络架构，能够在保持图像内容结构的同时，精准迁移目标域的视觉风格。\n\n该项目非常适合人工智能研究人员、深度学习开发者以及对生成对抗网络（GAN）感兴趣的技术爱好者使用。对于希望探索图像风格迁移算法原理、复现经典论文实验或进行相关二次开发的团队来说，domain-transfer-network 提供了清晰的代码结构和完整的训练流程参考。虽然目前主要面向具备 ","domain-transfer-network 是一个基于 TensorFlow 实现的开源项目，专注于无监督跨域图像生成。它的核心能力是将一种风格的图像自动转换为另一种风格，而无需成对的训练数据。例如，它可以将街景中的数字照片（SVHN 数据集）转化为手写数字风格（MNIST 数据集），甚至能将真实人脸照片转换为表情符号风格。\n\n这一工具主要解决了传统图像转换方法依赖大量“成对”样本（即同一内容的两种风格图片）的难题。通过引入无监督学习机制，domain-transfer-network 让模型能够从两个完全独立的数据集中学习特征映射关系，大大降低了数据准备的成本和难度。其技术亮点在于构建了一个包含特征提取器、生成器和判别器的对抗网络架构，能够在保持图像内容结构的同时，精准迁移目标域的视觉风格。\n\n该项目非常适合人工智能研究人员、深度学习开发者以及对生成对抗网络（GAN）感兴趣的技术爱好者使用。对于希望探索图像风格迁移算法原理、复现经典论文实验或进行相关二次开发的团队来说，domain-transfer-network 提供了清晰的代码结构和完整的训练流程参考。虽然目前主要面向具备 Python 和 TensorFlow 基础的专业用户，但其展示的效果也为设计师理解 AI 创意潜力提供了直观案例。","# Domain Transfer Network (DTN) \nTensorFlow implementation of [Unsupervised Cross-Domain Image Generation.](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.02200)\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_bf7d264ce988.jpg)\n\n## Requirements\n* [Python 2.7](https:\u002F\u002Fwww.continuum.io\u002Fdownloads)\n* [TensorFlow 0.12](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fr0.12)\n* [Pickle](https:\u002F\u002Fdocs.python.org\u002F2\u002Flibrary\u002Fpickle.html)\n* [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n\n\u003Cbr>\n\n## Usage\n\n#### Clone the repository\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdtn-tensorflow.git\n$ cd dtn-tensorflow\n```\n\n#### Download the dataset\n```bash\n$ chmod +x download.sh\n$ .\u002Fdownload.sh\n```\n\n#### Resize MNIST dataset to 32x32 \n```bash\n$ python prepro.py\n```\n\n#### Pretrain the model f\n```bash\n$ python main.py --mode='pretrain'\n```\n\n#### Train the model G and D\n```bash\n$ python main.py --mode='train'\n```\n\n#### Transfer SVHN to MNIST\n```bash\n$ python main.py --mode='eval'\n```\n\u003Cbr>\n\n## Results\n\n#### From SVHN to MNIST \n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_6b0c1136f787.gif)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_0fbeaa3b1a3a.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_58ff75de9514.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_7f8e9fecf1ee.png)\n\n\n#### From Photos to Emoji (in paper)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_8a4b79ddc6dd.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_67d3fad1c895.png)\n\n\n\n\n\n","# 域迁移网络 (DTN)\n[无监督跨域图像生成](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.02200) 的 TensorFlow 实现。\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_bf7d264ce988.jpg)\n\n## 需求\n* [Python 2.7](https:\u002F\u002Fwww.continuum.io\u002Fdownloads)\n* [TensorFlow 0.12](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fr0.12)\n* [Pickle](https:\u002F\u002Fdocs.python.org\u002F2\u002Flibrary\u002Fpickle.html)\n* [SciPy](http:\u002F\u002Fwww.scipy.org\u002Finstall.html)\n\n\u003Cbr>\n\n## 使用方法\n\n#### 克隆仓库\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdtn-tensorflow.git\n$ cd dtn-tensorflow\n```\n\n#### 下载数据集\n```bash\n$ chmod +x download.sh\n$ .\u002Fdownload.sh\n```\n\n#### 将 MNIST 数据集调整为 32x32 大小\n```bash\n$ python prepro.py\n```\n\n#### 预训练模型 f\n```bash\n$ python main.py --mode='pretrain'\n```\n\n#### 训练模型 G 和 D\n```bash\n$ python main.py --mode='train'\n```\n\n#### 将 SVHN 转换为 MNIST\n```bash\n$ python main.py --mode='eval'\n```\n\u003Cbr>\n\n## 结果\n\n#### 从 SVHN 到 MNIST \n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_6b0c1136f787.gif)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_0fbeaa3b1a3a.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_58ff75de9514.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_7f8e9fecf1ee.png)\n\n\n#### 从照片到表情符号（论文中）\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_8a4b79ddc6dd.png)\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_readme_67d3fad1c895.png)","# Domain Transfer Network (DTN) 快速上手指南\n\nDomain Transfer Network (DTN) 是一个基于 TensorFlow 实现的无监督跨域图像生成工具，能够将一个领域的图像风格迁移到另一个领域（例如将 SVHN 数字图片转换为 MNIST 风格）。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求。由于该项目基于较早期的 TensorFlow 版本，建议使用 **Python 2.7** 环境。\n\n*   **操作系统**: Linux \u002F macOS (Windows 需配置相应兼容环境)\n*   **Python**: 2.7\n*   **核心框架**: TensorFlow 0.12\n*   **依赖库**:\n    *   Pickle (Python 标准库)\n    *   SciPy\n\n> **注意**：鉴于项目依赖 TensorFlow 0.12 和 Python 2.7，建议创建独立的虚拟环境以避免与现有项目冲突。国内用户可使用清华源或阿里源加速 pip 包安装。\n\n## 安装步骤\n\n### 1. 克隆代码仓库\n首先将项目代码下载到本地：\n\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdtn-tensorflow.git\n$ cd dtn-tensorflow\n```\n\n### 2. 安装依赖\n确保已安装 Python 2.7 和 TensorFlow 0.12。若未安装，可使用以下命令（推荐国内镜像源）：\n\n```bash\n# 示例：使用清华源安装特定版本的 TensorFlow (需先确认源支持该旧版本)\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==0.12.0 scipy\n```\n\n### 3. 下载数据集\n赋予下载脚本执行权限并运行，以获取所需的 SVHN 和 MNIST 数据集：\n\n```bash\n$ chmod +x download.sh\n$ .\u002Fdownload.sh\n```\n\n### 4. 数据预处理\n将 MNIST 数据集调整为模型所需的 32x32 分辨率：\n\n```bash\n$ python prepro.py\n```\n\n## 基本使用\n\n完成上述准备后，您可以按照以下三个步骤运行模型：预训练、正式训练和效果评估。\n\n### 1. 预训练特征提取器 (Model f)\n首先对模型进行预训练：\n\n```bash\n$ python main.py --mode='pretrain'\n```\n\n### 2. 训练生成器与判别器 (Model G & D)\n启动跨域迁移的主训练过程：\n\n```bash\n$ python main.py --mode='train'\n```\n\n### 3. 执行图像迁移 (评估模式)\n训练完成后，运行评估模式将 SVHN 数据集图像迁移为 MNIST 风格，并查看生成结果：\n\n```bash\n$ python main.py --mode='eval'\n```\n\n运行结束后，生成的迁移图像将保存在输出目录中，您可对比原始 SVHN 图片观察风格转换效果。","一家初创公司正在开发智能停车系统，需要将路侧摄像头拍摄的真实车牌图像（类似 SVHN 数据集风格）快速转换为标准证件照风格（类似 MNIST 风格），以适配其仅用合成数据训练过的旧版 OCR 识别引擎。\n\n### 没有 domain-transfer-network 时\n- **数据标注成本高昂**：团队必须人工收集并逐帧标注成千上万张真实场景车牌，耗时数周且预算超支。\n- **模型泛化能力差**：直接在少量真实数据上微调旧模型，导致系统在光照变化或角度倾斜时识别率急剧下降。\n- **开发周期漫长**：等待数据采集和清洗的过程严重拖慢了产品上线进度，错失市场窗口期。\n- **风格差异难以消除**：传统图像处理方法无法有效去除背景噪声并将真实车牌标准化为模型熟悉的简洁样式。\n\n### 使用 domain-transfer-network 后\n- **实现零样本迁移**：利用无监督学习特性，直接将大量未标注的真实监控画面转换为标准风格，完全省去了人工标注环节。\n- **复用既有模型资产**：生成的“伪标准”图像完美匹配旧版 OCR 引擎的输入分布，无需重新训练核心识别算法即可提升准确率。\n- **大幅缩短迭代周期**：从数据准备到模型验证仅需数小时，开发人员可立即在真实场景数据上测试系统性能。\n- **高质量风格统一**：成功将复杂的真实街景车牌转化为背景干净、字体清晰的标准化图像，显著降低了识别干扰。\n\ndomain-transfer-network 通过无监督跨域生成技术，打破了真实数据与既有模型之间的风格壁垒，以极低成本实现了老旧 AI 系统在真实场景中的无缝落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyunjey_domain-transfer-network_6b0c1136.gif","yunjey","Yunjey Choi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyunjey_633f6baf.jpg",null,"NAVER AI Lab","South Korea","yunjey.github.io","https:\u002F\u002Fgithub.com\u002Fyunjey",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",98.8,{"name":87,"color":88,"percentage":89},"Shell","#89e051",1.2,862,199,"2026-03-24T21:36:55","MIT",5,"未说明",{"notes":97,"python":98,"dependencies":99},"该项目基于较旧的 TensorFlow 0.12 版本和 Python 2.7，现代环境可能需要配置兼容的旧版运行环境或使用容器技术。使用前需运行脚本下载数据集并调整 MNIST 图像尺寸至 32x32。","2.7",[100,101,102],"TensorFlow 0.12","Pickle","SciPy",[14,15],[105,106,107,108],"tensorflow","domain-transfer","unsupervised-learning","image-generation","2026-03-27T02:49:30.150509","2026-04-16T18:30:38.923831",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},36301,"运行代码时遇到训练错误或变量已存在错误怎么办？","这通常是由于 TensorFlow 版本兼容性或变量作用域复用问题导致的。如果是较新版本的 TensorFlow 报错'Variable ... already exists'，需要在创建训练操作时显式指定变量作用域并设置 reuse=False。例如：\nwith tf.variable_scope('source_train_op', reuse=False):\n    self.d_train_op_src = slim.learning.create_train_op(...)\n此外，确保使用的 TensorFlow 版本为 r0.12 (0.12.1)，作者曾通过添加名称作用域（name scopes）修复了相关代码问题。","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F6",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},36302,"如何获取或预处理 MNIST 数据集？","不需要手动下载预处理数据。作者已更新代码，只需运行 `prepro.py` 脚本即可自动下载并处理 MNIST 数据集（包括将灰度图复制三次和调整大小）。如果需要参考具体的处理代码逻辑，可以查看社区提供的实现：https:\u002F\u002Fgithub.com\u002Fstevenygd\u002Fdomain-transfer-network-tensorflow\u002Fblob\u002Fmaster\u002Fmake_mnist.py","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F1",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},36303,"为什么生成的结果效果不好或看起来很奇怪？","如果结果不理想，首先请确保使用的是最新更新的代码，作者曾针对效果问题进行过优化。如果问题依然存在，可能是因为该项目当时仍在进行中，代码尚未完全完成，因此出现奇怪的结果是正常的。建议关注仓库更新以获取完整版代码。","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F2",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},36304,"代码中的判别器 D 是二分类还是论文中提到的三分类？","用户观察是正确的，论文中提到判别器 D 应为三分类函数，但当前代码实现的是二分类函数（使用 sigmoid_cross_entropy）。维护者确认了这一点，并指出即使使用二分类器，模型也能生成良好的图像。如果需要使用三分类器，用户可以基于现有代码轻松进行修改。","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F7",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},36305,"如何复现论文中的表情符号（Emoji）生成结果？","当前仓库的代码仅支持 MNIST 到 SVHN 的迁移，不包含表情符号生成功能。要生成表情符号，需要专门的表情符号数据集来训练模型，但原论文作者并未公开该数据集。因此，仅凭此代码无法直接复现表情符号生成结果。部分相关的表情符号数据集可在其他仓库（如 davrempe\u002Fdomain-transfer-net）中找到参考。","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F4",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},36306,"运行代码前对 TensorFlow 版本有什么要求？","建议使用 TensorFlow 0.12.1 (r0.12) 版本。作者在回复用户运行时遇到的错误时，明确询问并确认了该版本兼容性。使用过高或过低的版本可能会导致函数弃用错误或变量作用域冲突。","https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fdomain-transfer-network\u002Fissues\u002F3",[]]